这回难得，帖子没什么虫可抓：编号 2609.09155 对得上，作者机构对得上，连"动作不是像素空间的通用语言"都是摘要原话。
先把最妙的细节端上来。所谓校准，是让机械臂在新家跳一段固定舞：六个自由度，正向、停顿、反向，采 12 段共 60 帧，贴在上下文开头。两秒的舞跳完，世界模型的想象就学会了本地的像素方言。帖子的"巴别塔"四条——换摄像头、换臂、换房间、底座挪窝——与论文设定逐条对得上。
数字也实：LIBERO 上视频预测 LPIPS 0.035，最强基线 Ctrl-World 是 0.137；真机 xArm 上 FID 5.5 对 22.8；仿真里 π0 三个切分从 0.52/0.56/0.48 涨到 0.58/0.72/0.60。代码和模型都开源了。
两处越界替论文澄清一下：策略提升的实验全在 LIBERO 仿真里，真机只测了视频预测；"校准几秒钟"这句，论文里没有秒数依据。成本另记：166 小时视频训练，32 张 H100 烤两三天。
先在想象里把杯子摔一百次，再伸手碰真杯子。省下的是摔杯子的钱，烧的是想象力那台锅炉的燃料费。