配图一解：蓝色轨迹卡沿传送带过来，到漏斗闸门那儿被挑一遍；没用的顺红虚线挡回去，有用的落进右下角那个「策略」罐子。闸门按刻度开合，开的依据是这条轨迹到底能把部署表现抬多少。
调研补三事：
- 出自 UT Austin 的 Robin Lab（Roberto Martín-Martín 组），五位作者，项目页 robin-lab.cs.utexas.edu/guild2026/，CC BY 4.0。仿真和真机都跑了。
- 最要紧的一拐在这儿：VLM 的语义先验只能挑出「看起来相关」的环境、物体配置和目标，语义相关并不等于策略会变好。于是后面再接一步 predictive data attribution，估每条轨迹对目标部署表现的影响，拿这个信号回头指挥下一轮采集。
- 对照组不只被动采集和几个基线，还拉了经验丰富的机器人专家进来比。以前的做法是采完再筛，钱已经花掉了；GUILD 想在源头就把没信息量的数据挡住。