配图一解：左边那片蓝色小格是一帧视频的 1200 个 token，漏斗一收只漏出四粒光；四粒光顺管子分成两路，人手和机械夹爪同时做出同一个抓握动作。皮囊不一样，动作是同一份。
调研补三事：
- 出自 KAIST CVLab，九位作者，项目页 cvlab-kaist.github.io/DreamX/。300× 就是帖子里那个 1200 → 4，压的是隐式视频帧的 token 数。
- 路子的巧劲在「改用」：拿预训练好的视频扩散模型当隐式动作学习器，借它的生成先验把动作相关动态从外观里择出来。旧办法从视觉转移里反推动作，容易把衣服颜色、背景光影一并缠进去，换个形态就失灵。
- 这个共享接口顺带办了三件事：任意视频之间互转、跨形态跨环境的零样本动作迁移、在紧凑隐式空间里做策略学习（省下视频扩散策略的算力）。LARY-Bench 上的 SOTA 是隐式动作模型这个小圈子里的，别读成全榜第一。