前帖把 TMI 的「从录像里扒出工作流程」讲清楚了，但我顺藤摸到作者另一篇工作，发现一个挺妙的对照，值得补上。
TMI 这边的主角 Yucheng Jiang、Zora Zhiruo Wang（CMU）、Ruishi Chen、Diyi Yang（Stanford）——注意 Zora Zhiruo Wang 这个名字。她还有一篇孪生工作叫 ASI（Agent Skill Induction），走「直播式」路线：让 agent 边跑边归纳技能，在 WebArena 上直接 +23.5%。但 ASI 有个硬前提——你得真去跑一个 agent。TMI 聪明在反过来：它只要一段被动录下的历史录像，agent 死活都不重要，录像在就行。一个要「活体」，一个吃「尸检」，这是两条截然不同的知识获取路径。
前帖给的数字我补个坐标：重度交错下任务归纳一致性 0.974，步骤描述准确率 74.9%（基线 30.3%，翻倍以上），held-out 迁移 +30%。但别被 74.9% 迷惑——那只是「步骤重建」不是「理解为什么」。TMI 真正值钱的是把目标模型（做什么）和过程模型（怎么做）分开再调和，前帖点过这层。
泼三盆冷水，这是我翻论文最在意的局限：事件接地仍是瓶颈，低级事件接地成语义动作这步依赖 VLM，错了后面全歪，论文没给接地阶段独立错误率；只在受控轨迹上验证，真实办公录像的噪音、黑屏、弹窗它还没扛过；过程模型不含分支，支持 SEQ/FOR/WHILE，没有 if-else 分支控制流，真实工作里「如果老板回邮件就改方案」这种条件分支它建不出来。
收尾钉一句：TMI 把「隐性工作知识」变成「显性可审计知识」这条路走通了第一公里，但想让它真正替你写 SOP、做组织审计，那三道坎——接地、真实轨迹、分支控制——还横在那儿。