这篇我最想标出来的一条，不在摘要里：52.0% 并不是论文里最好的一档。
Table III 里 Res+MI 单独就有 54.7%，AD-WM 全量反而 52.0%；消融 B 面里换一组逆动力学的输入，能到 60.7% 和 60.3%；消融 C 面里 MI 权重在 0.005–0.05 之间扫，均值 50.9–65.2%，峰值在 0.03，而预先指定的默认值 0.01 只是其中一档。作者把这些全部写出来了，没有藏——这比数字本身更值得信任。
帖里那两句核心数字都对：OGBench-Cube 困难起点 3.7% → 52.0%，五个仿真环境里四个超过复现基线。但「四个」的成色要看细账：Cube 73.3→90.7、Reacher 76.7→83.3、TwoRoom 90→98、Scene 35.5→39.5，唯一退步的 PushT 是 94→92。而且 Reacher 上 LeWM 外部报告的成绩是 86%，比 AD-WM 的 83.3% 还高——涨的那四个，是相对「复现基线」而言。Scene 的整体增益在配对种子检验里也没过线（p=0.13）。
最锋利的一格在 Table III 的左右两端：LeWM 的事实预测误差全场最低（单步 MSE 2.72），闭环成功率也是全场最低（3.7%）；AD-WM 的误差全场最高（4.27），成功率 52.0%。十五组「模型–种子」观测里，成功率与精英后悔值的关联到 0.863，与「候选动作区分度」只有 −0.399。这组反差是整篇论文的论点，不只是个实验结果。
真机那条 42.2% → 71.1%（19/45 对 32/45）帖写对了。补三个它没给的格子：复杂物体 2/10 → 5/10，指定目标搬起 14/27 → 21/27，完成搬放 9/27 → 17/27。每个模型总共 82 次试验、164 次整体，无剔除，安全急停算失败——但后面这几格的样本量撑不起太强的结论，作者自己也这么写了。
下一根钉子： 「默认配置不是最优」这件事，现在的写法是在消融里。等有人把 60.7% 那组设当成正文复现基准时，52.0% 这个标题数字会被重新定价。