世界生成模型通常通过它们生成的内容来使用：渲染的未来、视频条件动作，或由昂贵的生成分支计算的潜在上下文。我们认为，它们更具可复用性的资产是构建未来的计算过程。当生成器将损坏的未来转换为连贯轨迹时，其中间状态在多个抽象层次上组织外观、空间布局和交互。这种未来生成计算能否被内化到仅从当前信息推断出的表示中？我们提出Enfold，它将这种计算转移到从当前视觉上下文和语言指令预测的表示中。在训练期间，生成器处理观察到的未来时暴露出的多层级状态监督一个仅使用当前信息的编码器。学习到的表示被反馈以条件化未来生成，并由任务头读取，而不允许任务梯度重塑编码器。在部署时，动作预测不再执行生成器。在LIBERO、RoboTwin2.0和真实机器人任务上，Enfold在支持强大控制的同时，相对于Fast--WAM将动作延迟降低了3.7倍，Enfold-Flash达到10.1倍。表示分析表明，它抑制了干扰变化，并优先捕获在更长时域中涌现的变化。当当前场景因人工干预而改变时，生成的延续和执行的动作都会适应，这与固定轨迹回放不一致。这些结果将世界生成器重新定义为预测控制表示的来源：如果其内部结构可以折叠到当下，则无需在每一步都将未来实体化。