EWAM 是一个以动作为中心的统一具身模型。我们让动作 token 在每一层都能同时读取语义、当前画面、预测的未来画面和动作自身的信息，没有给任何逐层监督。训练后，模型自发形成了一个按深度展开的分工：浅层主要读视觉-语言特征（理解），中层转向预测的未来帧（预演），深层以动作自注意力为主（动作形成）。因果干预实验表明，动作生成确实依赖这个分工。