教机器人收拾餐桌，不能只在电脑里摆好杯盘，还得确认机械臂真的够得着、拿得起。以往的仿真数据流水线常把“布置场景”和“设计任务”分开：场景看起来合理，机器人执行时却可能卡住；任务越长，这类问题越容易累积。EmbodiedSmith想解决的，正是机器人基础模型——面向多种任务和机器人的通用模型——所缺的海量、可执行训练数据。
它最值得注意的一步，是让场景和任务互相纠错。生成场景时，系统会提前考虑机器人接下来要做什么；任务执行失败后，又会有针对性地修改场景，再规划和验证动作。这个循环不断重复，形成所谓“递归自我改进飞轮”：题库依据考生表现调整，考生再用新题继续训练。整套流程还把物体、场景和任务生成接到一起，并支持移动机械臂、人形机器人、灵巧手，以及软物体和液体等更复杂的物理现象。
作者称，这种联合迭代提高了任务生成成功率，长流程任务也能保持较高成功率；下游实验还显示，数据越多样，策略——机器人根据眼前状态决定下一步动作的模型——泛化越好。不过现有材料未给出具体提升数字，仿真经验能否顺利迁移到真实机器人，仍取决于虚拟环境与现实的贴合程度。