该论文旨在解决生成式机器人策略(generative robot policies)训练中，协同训练(co-training)方法的有效性机制不明确的问题。研究背景是：结合有限真实世界数据和大量仿真(simulation)或跨具身(cross-embodiment)机器人数据（即替代数据(surrogate data)）的协同训练方法被广泛使用且经验上成功，但其何时、为何有效的内在机理仍缺乏深入理解。
论文通过理论分析(theoretical analysis)和实证研究(empirical study)相结合的方法，探究了仿真与真实协同训练(sim-and-real co-training)的机制。具体包括：
- 在玩具模型(toy model)上进行受控实验(controlled experiments)。
- 开展广泛的仿真-仿真(sim-and-sim)和仿真-真实(sim-and-real)机器人操作(robot manipulation)实验。
- 基于分析结果，提出并验证了一种能持续改进现有方法的简单方法。
论文的核心创新在于首次识别并阐明了支配仿真与真实协同训练性能的两个内在效应(intrinsic effects)，并揭示了它们的作用层级：
1. **结构化表征对齐(structured representation alignment)**：这是影响下游性能(primary role)的主要效应，它反映了跨域表征对齐(cross-domain representation alignment)与域可辨别性(domain discernibility)之间的平衡。
2. **重要性重加权效应(importance reweighting effect)**：这是次要层面(secondary level)的效应，源于对动作权重(action weighting)的域依赖调制(domain-dependent modulation)。
- 与现有工作相比，该研究首次为协同训练的成功提供了统一、机理性的解释(mechanistic interpretation)，并基于此提出了改进方法。
论文对该领域的整体贡献包括：
- **理论贡献**：为协同训练的有效性提供了机理性分析(mechanistic analysis)，揭示了其内在运作机制(inner workings)，填补了该领域理解上的空白。
- **实践贡献**：对近期协同训练技术提供了统一的解释(unified interpretation)，并由此启发和推动了一个能持续改进现有方法的简单方法。
- **方向贡献**：旨在促进和推动该方向的研究，为未来更有效的生成式机器人策略训练方法设计提供了理论基础和洞见。