클라우드 기반 LLM 드라이버 에이전트(driver agents)는 유용한 의미론적 판단(semantic judgments)을 제공하지만, 이들의 추론 지연 시간(inference latency)은 단계별 차량 제어 시간 창(stepwise vehicle-control windows)을 초과합니다. 학습된 세계 모델(world models)은 미래를 예측하지만, 대개 미래 생성(future generation)과 행동 선택(action selection)을 거대한 결합 루프(coupled loops) 내부에 유지합니다. 본 논문에서는 Steins;Gate Drive를 제시합니다. 이는 지연 시간이 분리된(latency-decoupled) 플래너-런타임(planner-runtime) 아키텍처로, 동명의 작품에 등장하는 세계선(worldline) 은유를 통해 개입(intervention)의 한 가지 그럴듯한 결과(plausible consequence)를 명명합니다. 즉, LLM은 최종 제어 시점 이전에 반사실적(counterfactual) 주행 미래를 선택하며, 런타임(runtime)은 선택된 예측이 안전 계약(safety contracts)이 유효한 동안에만 재사용합니다. 생성기(generator)는 세 가지 세계선 역할(world-line roles)을 구축합니다: 알파(alpha)는 명목상의 자차 조건부 미래(nominal ego-conditioned futures), 베타(beta)는 주변 차량과의 상호작용 반사실(interaction counterfactuals), 그리고 감마(gamma)는 제동, 끼어들기 또는 차단된 통로와 같은 위험 스트레스 미래(hazard-stress futures)입니다. 선택된 분기(branch)는 예측 범위(horizon), 유효성/중단 조건(validity/abort conditions), 폴백(fallback) 및 권한(authority)을 가진 유형화된 전략적 예측(StrategicForecast)이 됩니다. 10개의 시드(seeds)와 20개의 단계(steps)를 가진 피험자 내(within-subject), 매칭 시드(matched-seed) 일반 고속도로 프로토콜에서, GPT-5.4 mini는 측정된 무충돌 안전 경계(no-collision safety boundary)를 유지하면서 유효 지연(effective lag)을 1초 예측 범위(1-second horizon)에서의 +3.07초에서 4초 예측 범위(4-second horizon)에서의 -0.01초로 단축했습니다. 이 아키텍처의 안전 기여는 드리프트 점수(drift score)가 아닌 원자 술어 런타임 체크(atom-predicate runtime check)에서 비롯되며, 드리프트 점수는 갱신 빈도 조절 노브(refresh-frequency knob)로서 기능합니다.