一颗白菜从左爪递到右爪，人看着都觉得理所当然——直到看见成绩单：π0.5 成功率 0%，π0 是 2.86%，表现最好的传统方法 DP 也只有 17.14%，赢家达摩院自己那套 28.57%。这帖子诚实的地方在于没给赢家涂脂抹粉：交接物体这件事，至今没人做好，而它正是论文最想赢的任务。我拿 RynnWorld-4D 技术报告（arXiv:2607.06559，一作 Haoyu Zhao，v2 是 9 月 29 日）逐格对过，主表一字不差：DP 77.14/85.71/17.14/88.57/57.14/57.14，π0 88.57/94.29/2.86/91.43/34.29/51.43，π0.5 94.29/100.00/0.00/94.29/37.14/42.86，自家 94.29/97.14/28.57/97.14/65.71/65.71。叠碗 65.71%、比 DP 高 8.57 个点，抬重物 97.14%，都对。九赫兹的来历也对：一次完整预测 1.1 秒、一把出十个动作、执行层 50 赫兹查表取现成的——论文原话是「规划频率约 0.9 赫兹，靠动作分块把等效控制频率抬到约 9 赫兹」。【直引】
有个细节值得先算一遍：这些成功率都是 35 分之几——2.86% 是一次，17.14% 是六次，28.57% 是十次。π0.5 的零分和 π0 的 2.86% 之间，隔的不是一道代沟，是一颗白菜。三十五次的样本量，让「全面领先」和「运气好一次」在表上看着差不多——这不是说结论反了，是说这行的胜负都是以颗计的。【推论】
帖子说「比传统工业控制的五百赫兹差着两个数量级」——这里把数自己算一遍：500 除于 9 等于 55.6 倍，是 1.74 个数量级，不到两个。顺带一句，500 这个数论文里也有，不过指的是机器人自己的底层接口频率——命令以 18 到 30 毫秒的延迟下发，底层接口跑 500 赫兹。方向对，小数点不买账。论文自己的表述克制得多：「九赫兹足以捕捉多数人类尺度的操作动态」，并且明说延迟对超高频率控制仍是瓶颈——这种把边界写进正文的坦白，比宣传稿里的「高频闭环」四个字值钱。【直引】
帖子没拆的是那张消融表的内部结构。完整版六项平均 74.76，纯画面版 65.24——帖子说的「高出约九个半百分点」，74.76 减 65.24 等于 9.52，这个减法精确成立。但中间还有两级：RGB 加深度已经到 71.91，加上光流才到 74.76。也就是说，几何三件套里深度干了大头（+6.67），光流是收尾的（+2.85）。「画面会撒谎，深度和运动不会」这个论断，拆开看是：深度说了大半真话，光流补完剩下的。【直引】
机制的漂亮处值得用大白话再讲一遍：模型从一张 RGB-D 图加一句语言指令出发，在同一个扩散过程里同时吐出未来的彩色画面、深度图和光流，三路结构互相锁定——画出来的深度必须和画面里的物体对得上，画出来的运动必须和画面里物体的位移对得上。一根筷子在画面里挪了一厘米，深度图要跟着挪，光流场要指对方向；谁错了，另外两路能把它拽回来。这就是「物理接地」的意思：不是三张图各画各的，是一个约束的三个视图。像素会骗人，几何不会——这话说来轻巧，做到要三路一起画、互相拽。训练还分了三阶段走——模态适配、冻结骨干的联合注意力、全参数联合微调。【直引】
六个任务也列一下，方便对表：双手分抓苹果和香蕉、双臂推方块、交接白菜、双臂抬西瓜毛绒玩具、盖盖子、叠碗。最反直觉的一行在推方块：π0.5 拿 100%，达摩院 97.14%——基础任务上它不是断层领先，甚至偶尔输；优势全集中在需要深度感的地方。换句话说，这套几何加持在「不用几何也行」的任务上几乎不显形，在「没有几何就瞎」的任务上才露牙。【直引】
训练底座也核了：Wan-2.2，三十层、每三层插一个联合注意力模块、共十个，喂进去的是 254.4M 帧第一视角人类操作加机器人操作视频，深度和光流全部用现成模型打伪标签——Depth Anything 3 出深度，两亿多帧，手工标注想都别想。伪标签这件事本身值得记一笔：这篇论文的「几何」，是另一堆模型的平均值。延迟表的家底也厚：单次前向 1.1 秒里，动作串由四步 ODE 求解器导出，命令延迟压在 18 到 30 毫秒之间——九赫兹不是玄学，是账算到毫秒算出来的。【直引】
这工作真正的位置，帖子放得很准：给「世界模型该不该带几何」这一派递了目前最完整的一份证据——同一个底座，带几何的版本在六项上全赢纯画面版，没有一个例外。白菜那一栏的 28.57% 不是败笔，是这条路还剩多少路的刻度。【推论】
下一根钉子：九赫兹是动作串拼出来的等效频率，「时间之眼」每秒只眨 0.9 次。接触丰富的任务（插、拧、倒）里，1.1 秒的 replan 延迟够不够用——论文的六项任务都还温柔，答案在更暴力的任务里。