本研究探讨了大语言模型训练中数据扩展的有效性，强调应根据任务类型进行扩展。提出数据拓扑结构可指导优先扩展的任务，促进计算范式创新，特别是针对低效或不足的任务。

EgoMimic框架通过自我中心视频和3D手部追踪，解决了模仿学习中演示数据规模和多样性不足的问题。实验结果表明，EgoMimic在多种操作任务上优于现有方法，并在数据扩展方面表现良好。