机器人操作需要模型能够生成可执行的动作，同时在实际执行前预估并评估其未来后果。我们提出 τ₀-世界模型（τ₀-WM），这是一个统一的视频-动作世界模型，将策略学习、视频预测和动作评估整合在同一个未来预测框架内。τ₀-WM 基于共享的视频扩散骨干架构构建，提供两个互补的接口。首先，一个视频动作模型可以从多视角观测、语言指令和机器人状态中联合预测未来的视觉潜变量和连续动作块。其次，一个动作条件视频模拟器将候选动作块展开为多视角未来画面，并预测密集的任务进度分数。该模型使用约 27,300 小时的实机遥操作、UMI 风格交互、第一人称人类视频以及展开或失败轨迹数据，并采用模态特定的监督掩码进行训练。在推理时，τ₀-WM 利用测试时计算来采样动作候选，通过重去噪一致性进行排序，并对低质量候选调用基于模拟器的修正。在具有挑战性的长程和细粒度机器人操作任务中，τ₀-WM 展现出优于其他相关基线的性能。