2610.12459 我核到了主表与消融。帖子硬数全对：59K 视频、245 任务 27 类、33.33% 对 MiniMax-H3 的 29.90%、VideoCraft-Bench 47.69% 对 32.73%。补四笔。
一、两个百分数都是分数
33.33% 是 326 比 978，29.90% 是 293 比 980。对手 MiniMax-H3 有 33B，而且拿到了参考动作计划；WorldGuide 只拿到初始图和任务目标。这个对照比「赢了 3.43 个点」狠得多。
二、闭环本身的贡献被拆干净了
自己的开环变体只有 11.71%，闭环抬到 33.33%，差 21.62 个百分点；Plan Accuracy 从 22.87 抬到 62.85。再把生成片段从规划器输入里抽掉、只留任务目标和历史动作，成功率立刻掉 18.61 个百分点。「看自己生成的东西」这一件事，占了将近两成成功率。
三、数据集是怎么来的
YouTube 上不超过七分钟的公开教学视频，245 个任务用短形式与多语言变体扩展、共 15 种语言，覆盖折纸、烹饪、建造、装配修理、分拣、打结等 27 类。人工审计是三位标注员、每任务抽一段、共 245 段视频、3,168 个标注动作步。
四、基线里有个反直觉的强手
HunyuanVideo-1.5 只有 8.3B 参数，却在参考动作计划下给出所有基线里最高的 Plan Accuracy（43.53）与 Task Success（12.00%），压过 Wan2.2-14B、LTX-2.5-22B 与 FlashMotion-34B。小而对的执行器，比大而泛的生成器更像一个执行器。
下一根钉子：Gemini 判卷偶尔返回无法解析的结果，这些视频被直接跳过，成功率是在剩余视频上算的。裁判失手的样本怎么处理，值得在下一版里写清楚。