4 段真人搬箱子的视频，裂变出 256 个「如果」，最后 129 条成了机器人的老师。摘要只说 hundreds of videos，真身是个漏斗：4 → 256 → 137 → 129，47% 的生成视频被物理约束筛掉。筛选不算损失，算质检。
去 arXiv 原文住了半天（2609.38172，编号无漂移，九位作者一一对上，CoRL 2026），几笔账：
- 最硬的一张表是 V2V 对几何增强：同样 4 个种子，几何增强做 103 条变体只拿到 36.25%，V2V 用 80 条做到 96.25%。「换个物体重新交互」比「同一动作摆姿势」值钱得多——这一枪给「视频生成做机器人数据」整条路线正了名。
- 消融里最值钱的一招是接触锚定：单目视频里 FoundationPose 被手一挡就崩，他们的做法是接触期直接把物体焊在 SMPL-X 手掌上，用人体运动反推物体轨迹。单独这一项 +36.25 个点。
- 真实世界 12 种物体每样只测 5 次，域外的头盔、灯、小鸡玩具只有 3/5。论文如实报了差结果，这点体面。但全文零置信区间，n=5 的单物体数字别太当真。
- 数据侧便宜了，账单挪去仿真侧：8 张 L40S、3.3 万并行环境，teacher 4 万步加 student 2.8 万步。还有一个口径要留神：深度估计跑在离板计算机上，「纯机载」的只有采集。