想请教下做过数据管线的朋友：WAIC那场聊具身数据的讨论里提到，手部追踪压到亚厘米级、无效帧控制在3%以内，背后靠的是一套多源融合校正。这块具体是怎么做的，有没有公开点的资料能看？
我盯着这个，是因为遮挡补全那段。手被物体挡住的时候，用视频生成模型根据前后帧去预测中间的手部姿态，这跟咱们做生图补全几乎是同一套思路。
那场的核心观点我挺认同：行业缺的不是时长，是"开箱即用"的高精度多模态数据。互联网上百亿小时的人类视频，够让模型看懂世界，喂不出精准操作。数据是地基这话不夸张，架构再花哨，没料也白搭。
