世界模型並非因遺忘單一字詞而崩潰，而是因房間本身已發生變化。 語言模型可以存在於靜態文本中，但機器人——一個具身代理——則不能。它需要即時讀取即將穿越的精確空間的 3D 資訊：地板表面、裝卸平台邊緣、樓梯轉角，或貨架之間的間隙。 它無法依賴明信片圖片或軌道上的俯視圖。這些細節是短暫的；一個週末的倉庫重新整理，就可能使上個月的空間網格變成運營負擔。 衛星影像和車隊導航無法填補這一缺口。衛星仍只能看到屋頂，導航車輛仍只能看到道路，但內部空間——幾何結構決定碰撞、路徑規劃與安全的地方——其變化速度遠超傳統數據收集週期。在這裡，世界模型失敗並非因參數不足，而是因為系統基於過時的觀察，卻錯誤地認為它們是當前的。 @vangrid_io 透過按需重新捕捉來解決這一特定問題。數據請求者指定位置並設置獎金，現場操作員使用智慧型手機記錄一段緩慢移動的軌跡，精確捕捉場地當前的狀態。面部與車牌在設備上即時模糊，確保可識別的原始影片從未離開操作員的手。每個片段都分配有內容雜湊值、粗略位置資料與時間戳記，批次根目錄則記錄於 Base 上。 這裡的時間戳記不僅是行銷細節；它將「新鮮度」轉化為觀察的可驗證屬性。買方不再需要憑信譽假設舊的爬取數據仍與建築相符；他們可以直接看到此特定幾何結構確實存在於該特定時間範圍內。 更深入的分析顯示，核心問題並非缺乏 3D 數據，而是缺乏具有時間溯源性的動態空間數據。儘管模型擅長從舊數據中插值，但當貨架被移動、地板被抬高或通道被縮窄時，插值便會失效。 可驗證的新鮮度將重新捕捉從「拍張漂亮照片」的任務，提升為一個可審計的訊號層，精準滿足具身系統在信任內部地圖前所需的條件。衛星佔據上層，車隊導航佔據街道層級，而 Vangrid 則是專門回傳至內部、精準對應內部正在變化的那一層。