100万時間に及ぶ人間中心のビデオコーパス「HumanNet」を構築し、1人称（egocentric）および3人称視点の両方を網羅した。

動画にはキャプション、動作説明、手や体の信号など、動作・相互作用を認識するための豊富な注釈が含まれている。

Qwen VLMを用いた検証において、HumanNetの1000時間の1人称動画での継続学習が、Magic Cobotの100時間の実機ロボットデータによる学習を上回る性能を記録した。

フィルタリング、時間構造化、視点多様性、注釈強化を設計原理とする、身体知能（Embodied Intelligence）のための系統的なデータキュレーション手法を提案した。

ロボット実機データの収集コストがボトルネックとなっている現状で、インターネット上の人間動画を「ロボット学習の代替」としてスケールさせる具体的な道筋と定量的根拠が示された。

「単なる動画収集」ではなく、動作認識や相互作用に特化した注釈付与とキュレーションが、基盤モデルの性能向上に不可欠であることを実証している。