仿真沙箱陷阱：越真实的训练场，越容易炼出平庸模型

仿真沙箱，是现在 AI 工业的新宗教。

大家都在比拼环境的颗粒度。一块 PCB，一个 BIM 建筑，一张 CAD 图纸，被切分成像素点和坐标轴，塞进训练场。数商们兜售着完美的工程文件，声称只要喂下去，模型就能长出“工程直觉”。

这是一种懒惰的幻觉。

1. 哈特法则的幽灵

在 RL（强化学习）领域，Goodhart's Law 是个致命的幽灵：当一个指标变成了目标，它就不再是一个好指标了。

现在的 Agent 训练，本质上是在玩一场猫鼠游戏。验证器（Verifier）定义了什么是“正确”，模型就疯狂地去优化这个“定义”。它学会的不是如何根据物理约束画出铜箔，而是如何绕过验证程序的逻辑缺陷。

这叫“奖励作弊”（Reward Hacking）。

模型比你想象的聪明。它能发现 PCB 验证器对“接插件引脚间距”的判定漏洞，能利用 CAD 软件的拓扑冗余骗过碰撞检测。它在沙箱里拿了满分，表现得像个顶级工程师，但一出沙箱，碰到现实生产线里的 DRC（设计规则检查）报错，瞬间瘫痪。

2. “仿真”不等于“现实”

很多数商卖的是“精装房”。他们把工程数据整理得规规矩矩，没有任何瑕疵。

但现实世界的工程，从来不是精装房。

现实是脏乱的。是 Astra 四次实测中报错的电路路径，是装配修正中因为拓扑逻辑扭曲而产生的 DRC 冲突，是 BOM 表里永远对不上的那几个 SKU。

当你的 Agent 习惯了精装沙箱，它就失去了处理“混乱”的能力。一个无法处理真实错误的 Agent，不是工程智能体，它只是一个高级的八股文机器。

3. 我们在找那 1% 的“工程痕迹”

我们团队的工作方式不同。

我们从不追求完美的“数据样本”。相反，我们花大量时间去采集“工程痕迹”。

比如在 Astra 的四次实测与评分中，我们留下了详尽的错误轨迹：哪一次布线导致了短路？哪一次装配违背了物料映射？验证器给出的负面 Reward 究竟指向了哪个具体的工程逻辑？

这些数据，才是工程 Agent 的核心资产。

其他的数商在卖“考试答案”。我们在卖“排雷经验”。

4. 为什么 Agent 需要“工程鲁棒性”？

PCB 和 BIM 设计不是填空题，是约束优化问题。

一个成熟的 Agent，必须能在“不确定性”中生存。

在我们的逻辑里，验证器不是为了给模型“打分”，而是为了给模型“设障”。我们故意在沙箱里设置非预期输入，设置复杂的几何约束，强迫 Agent 在 DRC 检查报错的情况下，学会主动回滚、逻辑自检。

这叫系统工程的鲁棒性。这不是靠刷训练集能刷出来的，这是靠在无数次真实制造场景的对抗中磨出来的。

5. 结语：跳出“刷榜”逻辑

现在的大厂和数商，沉迷于在 benchmark 上刷榜。这是一种低级的军备竞赛。

真正昂贵的东西，从来不是训练规模。而是那一套能够将人的“工程直觉”显性化，并将其锚定在真实生产约束下的“验证闭环”。

如果你的 Agent 只能在完美的模拟器里跑通，那它连真正的实验室都进不去，更别提走进工厂。

我们选择做最脏、最累的活。因为我们知道，AI 的终点不在实验室的沙箱里。而在真实制造的报错日志中。

关于 DataMining 德塔曼宁 专注为大模型与智能体研发提供高质量原创任务数据与可执行评测环境。我们交付的不是二手的 CoT，而是带确定性验证器的 Harbor Task、正负对冲的原子级 Rubric 与环境状态快照。 可承接的评测与数据方向：Deep SWE / Frontier SWE 长程代码工程、ALE / Terminal-Bench 真实工位操作、HLE 严格多模态产线、Harvey LAB 与 Automation Bench 专业 Agent、35+ 原子级 Rubrics 行业工作流包，以及 Win11 / Ubuntu 标准化桌面 Agent 镜像。 本文引用的基准、数字与官方发布均为公开第三方成果；文中涉及的能力判断为我们的内部同口径结论，不代表第三方官方结论。