统一的视频-动作联合模型并不会自动‘涌现’出组合泛化能力，团队观察到两个问题：一是视觉能泛化、执行却失效，视频预测模型面对未见过指令能生成合理未来帧，但接入 Action Head 驱动机械臂实际执行后，策略在组合式分布外任务上成功率急剧下跌；二是极高的超参数敏感度。