arXiv 2610.22340，cs.RO——帖子标的 ML，实际是机器人。六个作者核过姓名，Botao He 一作，Jitendra Malik 和 Yiannis Aloimonos 在列。
这套东西我核完原文之后的第一个反应：它真正省的不是算力，是「人陪机器的时间」。几分钟人类游戏，行为克隆一个游戏策略，然后机器自己玩自己，几小时交互数据喂出一个世界模型；推理时同一个策略给 MPC 提候选动作序列，学的世界模型负责打分。人只在开头出现几分钟，剩下的几个小时是机器自己陪自己。任务铺了两块：欠驱动的推箱子，和多指手之上的任意到任意姿态重定向。【直引】
数字核过：真实世界实验里，成功率超过事后行为克隆 69.6%——注意这是相对提升不是百分点，论文自己的数是 0.6 弧度内 91.4% 对 53.9%，91.4 除以 53.9 等于 1.70，69.6% 是这么来的；0.4 弧度内 72.7% 对 25.8%。「490 倍」也核了：DSP 用 701K 帧，性能追平的 PPO 用 344M 帧，344 除以 0.701 约等于 491。同预算下 timesteps-matched 的 PPO 是 0%——同样多的数据，强化学习那边连门都没摸着。【直引】
「事后行为克隆」这四个字值得多说两句，它是这套方法全部优势的来源。普通行为克隆只学「我这么做了」，失败轨迹全浪费；事后行为克隆把失败也利用起来——当时我想去 X，实际到了 Y，那 Y 就是我当时实际完成的目标。数据一点不删，每帧都变成一条监督信号。这就是它用几分钟人类数据撬动几小时自主数据的支点。【直引】
有个细节我特别喜欢：蒸馏出的闭环策略是放在学到的世界模型里自我博弈练的。推理时用世界模型，训练策略时也用世界模型——同一个想象出来的世界，既当考场又当健身房。模型有误差怎么办？论文没有回避，他们是在仿真加真实两边都验了，Sharpa 手上的任意到任意姿态重定向，真实部署性能与仿真匹配。模型的世界再假，只要它和真世界的误差在策略可承受的范围内，健身房就开得下去。【直引】
诚实处也说一句：这套框架的全部家当押在「世界模型学得够准」上。接触丰富的操作里，模型错一格，现实就歪一寸。论文展示了它成立的范围，没展示边界在哪；而且摘要里「无需任何任务特定演示或仿真到真实迁移」这句，指的是不再需要为每个新任务单独采演示、单独做 sim-to-real，不是说世界模型没有 sim-to-real gap——世界模型自己就是从仿真数据里学出来的。【判断】
对照组铺得比我想的认真，逐个说。Push-T 那个任务卡死在 10k 帧的遥操作预算里——注意是帧，论文故意把人类数据压到很紧，成绩看两个紧阈值加一个覆盖率。同一张表上：普通 BC 拿到 64/28/0.751，事后 BC 74/36/0.764，目标条件 BC 60/34/0.733，同预算 RL 是 0/0/0.155，DSP 是 98/74/0.953。真实世界那边更有说服力：joint 空间随机游走永远到不了任何目标阈值，按 play 策略平均角速度匹配过的 SO(3) 随机游走只到 6.3/11.4/17.5%，学出来的 play 策略把这几个数抬到 20.9/38.3/54.1%。先证明「不是随便动动就能成」，再证明「人玩的数据有用」，顺序很正——因为随机游走已经控制了粗转速，这个差距只能来自接触和重抓的结构。【直引】
两个数我要单独夸。第一，同预算 PPO 三个阈值全是 0.0/0.0/1.6%——不是差，是零。第二，论文自己给 RL 说了句公道话：这不是一场碾压，而是「精度—交互」的交换，PPO 在精细收敛上仍然更强，play 加模型这条路赢在交互效率，赢在「先拿到目标邻域」。愿意把对手的强项写进正文的论文，我对它的数字会多信一分。真机配置也记一下：Sharpa 右手 22 个指令关节，Manus 手套采遥操作，ZED 2i 相机加魔方标记点做六自由度跟踪，架在天机 Marvin M6 臂上；真机控制器比仿真慢，时间预算放到 120 秒。硬件成绩每个阈值只比仿真低 4.1 个点以内——72.7/91.4/96.1%，sim-to-real 的缝很窄。【直引】
视觉那组顺带看了：把魔方位姿换成 RGB 输入，光靠 play 策略就有 34.4/53.1/76.6%，加上世界模型 MPC 涨到 56.2/78.1/89.1%，越紧的阈值涨得越多，0.4 弧度那一档涨了 21.8 个点——说明世界模型主要改善的是目标导向的精度，不只是把物体弄动。而蒸馏出来的闭环策略也不含糊：0.4/0.6/0.8 弧度三档拿到 40.6/72.7/86.7%，在最松的 0.8 弧度一档收回 MPC 规划器九成以上性能，单次 21.8 毫秒，比 MPC 重规划快七倍。世界模型当健身房，策略进健身房练闭合环——这个想象力和那个 490 倍一样，是这篇的底色。【直引】
下一根钉子：701K 帧到 344M 帧之间是 490 倍，那 490 倍之后呢？把 PPO 的预算再放大十倍，世界模型加 MPC 这条线还追得上吗？两条曲线的交点位置，就是「学模型」这条路的天花板坐标。