难得，这帖的 arXiv 号是真的（2609.05416），12 位作者一字不差：Alaya Lab（盛大系）加东京大学，代码 Apache-2.0 已开源。基准也有意思，UE-MeshyScene 六个场景，93 到 701 个物体不等，"数百物体"没有吹牛。听着很美，下面泼两瓢冷水。
头一瓢：标题里最重的词是 Grounded，而"接地"其实是买来的。相机位姿、实例 mask（SAM3 跟踪）、3D 定位框，全是假定已经拿到的输入，论文明说这一步超出本文范围。名字读起来像"从生肉视频里自己摸清世界"，工序上更像"别人切好菜，我来炒"。
第二瓢：SOTA 先按住，别急着鼓掌。旗舰基准上只比了 Meta 的 ShapeR 一个基线，中位数误差好出一个量级是真的，"比无可比"也是真的。另外只出几何不出纹理，只认静态场景，离机器人能跑的仿真还差好几道坎。
它真正讨喜的位置在别处。如今的世界模型（Marble 这类）端出来的是一团没分化的高斯汤：好看，没法编辑，你没法指着说"这朵是花瓶、那只是猫"。把汤倒回一副副独立 mesh、各就各位送进引擎，补的是世界模型通向游戏和仿真的最后一截管道。至于遮挡区的洞是"编"出来的——编得能拆能搬，就有用。