教机器人学会拿杯子，不能只给它看杯子的照片。它还得知道手臂在哪里、做了什么动作，以及杯子随后怎样移动。问题在于，这种真实机器人记录最贴近实际，却也最费设备、人力和环境复位。论文提出 Data Pyramid，用一座五层“数据金字塔”梳理具身基础模型——先用大量、多样数据训练，再适配不同机器人和任务的通用模型——该从哪里获得训练材料。
金字塔顶端是真实机器人数据：动作能直接对应执行平台，但难以扩量。往下依次是 UMI-style 数据（Universal Manipulation Interface，即不用机器人参与采集、仍记录末端工具运动的示范）、人类第一与第三人称操作视频、仿真数据，以及通用图文数据。越靠下，通常越容易大量获取；越靠上，则越贴近机器人真实执行。这个次序并非简单的优劣榜，作者还用质量、多样性、可复用性和物理真实性四个维度补充比较。
这项工作的价值，不是宣称某一层能取代其他层，而是把“数据够不够多”与“数据能不能教会机器人行动”放进同一框架。论文也指出，目前仍缺少触觉、失败与恢复过程等记录，怎样搭配各层数据，仍是尚未解决的问题。