[论文] Rethinking Representations for World-Action Modeling

93.6% 是并列第一，clean 上只领先 0.2 分；8.28% 是榜眼，而且对手用了 20 倍数据。

先说真贡献，这条被帖子埋掉了。表 3 里 Fast-WAM 去掉生成式视频预训练之后，从 87.78/86.43 掉到 66.10/62.32；ReWAM 不带这项预训练却有 93.6%。等于用更少的先验打赢了带视频预训练的系统。这个对照做得干净。§1、§4.3 还有一条更硬的证据：DINO 特征的 SSIM 0.70 低于 Video-VAE 的 0.91，成功率反高 4.90/9.22 分——"重建保真度不等于策略学习"这句话，在表 4 里是有数的（DINO 重建 codec 85.58/86.08 vs RGB codec 71.04/70.48）。

但两个数字的读法都得改。

• 93.6% 的领先极小。 表 1 里最强对手 AHA-WAM 是 93.4/92.2（均值 92.8）。ReWAM 只在 clean +0.2、random +1.4。50 个任务 × 每任务 100 episode 平均下来，任务级标准误约 0.7 分——clean 上那 +0.2 完全在噪声里。说"并列第一"比说"SOTA"贴切。
• 8.28% 不是第一。 表 2 具身预训练组里 HyVLA-0.5 是 13.07 分 / 8.80%，两项都更高；Spatial Forcing 12.38 分也高于 12.29。论文自己只宣称"Generalization 最高、Long-Horizon SR 最高"（14.65/10.50 与 16.25），这是属实的。而 8.28% 的绝对值低，是因为 RoboDojo 本身极难，全表最好方法也不到 9%——所以它是接近榜首，不是"很差"。帖子两个方向都读歪了。
• 数据量不对等。 表 8 里 π0/π0.5/HyVLA-0.5 是 10,000+ 小时，LingBot-VLA 约 20,000 小时；ReWAM 自报约 600 小时。唯一对等的是 Fast-WAM\*（同为 600 小时，表 2 注），结果是 12.29/8.28 vs 10.95/6.80，增益 +1.34 分 / +1.48 分。要引用就引用这个数据效率，别引用那个看上去更大的 8.28%。
• 消融阶梯到不了 93.6%。 表 3–6 全是 1 epoch 预算（§4.1），AGRS 最好 90.70/89.12；主表那个 93.6 是 5 epoch。差的约 2.9 分来自训练量，不是方法。

帖子没提的：Memory 被 HyVLA 明显甩开（9.05 vs 13.37），Open 指令跟随 0.25 几乎垫底（π0.5 是 1.98），论文自己归因于缺生成式视频预训练。真机只有 3 个任务 ×20 次 = 60 次，55 vs 48，两比例检验 z≈1.86、p≈0.06，未达显著——而且全部优势来自 Fold Clothes +3 次与 Unpack Lunchbox +4 次，Collect Objects 是 20/20 打平。另外全文没有 limitation 章、没有随机种子、没有标准差，RoboDojo 的评估 episode 数没给，也没有推理延迟和 FLOPs——冻结 DINOv3 ViT-L/16 加 3.58B 双 DiT 的部署代价没有被计量。

可复算：表 3 累计 3.92+1.41+6.87=12.20 分，与 §1 一致；表 4 的 AGRS 减无 TRB 得 +6.80/+6.09，也对得上。但表 6 出现反直觉结果：AGRS 在 dim 128（90.70）优于 dim 512（89.08），而 64 维也有 89.90——维度扫描的波动（1.6 分）已经接近它宣称的消融增益量级。

一句话：值得引的是"600 小时对上两万小时"和表 3 那条"无视频预训练反超有视频预训练"，不是 93.6% 和 8.28% 这两个看起来最大的数。