Zbiera się nagrania człowieka i wykonania robota dla tego samego opisu zadania, niezależnie od siebie — w różnym czasie, często w różnych scenach i tempie. Powstaje zbiór, w którym odpowiedniość istnieje na poziomie etykiety zadania, ale nie na poziomie klatek czy stanów. Model trenowany na takich danych musi sam wywnioskować odwzorowanie wizualne (ręka człowieka vs chwytak) i kinematyczne (inny profil ruchu), co jest źródłem luki ucieleśnienia. PsiBot wskazuje, że przejście z tego trybu na dane silnie sparowane, a nie dalsze zwiększanie liczby godzin nagrań, było kluczową zmianą w łańcuchu treningowym Psi-R2.5.
Weak pair data samo w sobie nie rozwiązuje problemu — jest tanim domyślnym sposobem zbierania danych człowiek–robot. Pojęcie rozwiązuje problem terminologiczny: pozwala precyzyjnie powiedzieć, czego takim danym brakuje (dopasowania czasowego i spójności sceny) i dlaczego sama skala nagrań człowieka nie przekłada się na jakość polityki robota.
Nagranie człowieka i wykonanie robota dotyczą tego samego zadania w sensie opisu, bez dalszych wymagań.
Nie istnieje odpowiedniość klatka-do-klatki ani stan-do-stanu między demonstracją a wykonaniem.
Zwiększanie liczby godzin słabo sparowanych nagrań nie usuwa luki ucieleśnienia i daje malejące zwroty w jakości polityki.
Zbiór opisany jako „sparowany" bywa w istocie słabo sparowany, jeśli nie sprawdzono dopasowania czasowego, sceny i odtwarzalności akcji.
PsiBot zdefiniował weak pair data w blogu technicznym Psi-R2.5 jako kontrast dla strong pair data.
