每日 AI 论文简报｜2026 年 9 月 24 日

重点关注

重点论文已核阅公开 PDF；数字和结论均是作者报告，未做独立复现。其余条目标注“仅依据摘要”。AI 论文中的基准提升不等于真实能力提升，仍需同时看基线、公平比较、数据污染、可复现性和算力成本。

1. FinRED：金融大模型红队评测中的领域风险与专家量表

• 论文：FinRED: An Expert-Guided Benchmark Generation and Evaluation Framework for Financial LLM Red-Teaming（arXiv:2606.19887）
• 作者：Chaeyun Kim、Daeyoung Park、Junghwan Kim、Jinyoung Jeong、Eunji Song、Yongtaek Lim、Minwoo Kim
• 来源与链接：arXiv 摘要页 · PDF · 代码/论文仓库 · 受限数据集
• 证据状态：已核阅公开 PDF；结果是论文报告，尚未独立复核。

核心问题。 通用安全 benchmark 容易漏掉监管规避、金融犯罪、消费者权益和金融系统信任等领域风险。FinRED 试图回答：把 FATF、EU DORA 等标准映射到两级风险分类，再把真实金融文档转成有上下文的攻击种子，是否比通用提示和只检查免责声明的裁判更能暴露金融模型失效。

方法与基线。 框架用专家定义的 schema 生成种子，再用 GCG、AutoDAN、TAP、GPTFuzzer、AutoDAN-Turbo 和未优化的 Direct Request 攻击 12 个开源、金融专用及 API 模型。主实验固定了攻击预算，例如 GCG 500 步、GPTFuzzer 1,000 次查询，并在 12 名金融安全专家参与的 270 条种子盲评中比较无上下文、带文档上下文和 schema 驱动三种流水线；另用 130 个 prompt-response 对比较 HarmBench 与 FinRED Judge。

论文报告的主要结果。 schema 驱动流水线在通用小模型、金融专用小模型和 API 模型上的平均攻击成功率分别为 58.05%、70.28% 和 44.44%，高于两个简化流水线；GPTFuzzer 是整体最强的黑盒攻击，开放模型和金融专用模型也更脆弱。FinRED Judge 与专家判断的一致率从 76.92% 提高到 88.46%，Cohen’s κ 从 0.47 提高到 0.68，关键假阴性从 28 个降至 12 个。这里的“成功率”和“裁判一致率”都是受控实验指标，不是生产事故概率。

创新、局限与适用边界。 贡献是把监管知识、攻击生成和领域裁判放到同一条可审计流水线，并在韩国金融安全研究院监管沙盒中试用。局限包括 12 名专家均来自同一机构、攻击方法与 API/白盒访问条件并不对称、数据和提示采用受限发布以控制双重用途，且没有独立团队复现；建议金融安全评测、合规红队和模型治理读者优先读摘要、§IV 实验、§V 专家验证及伦理说明。

2. PACT：从 token credit assignment 到 critic alignment

• 论文：PACT: From Credit Assignment to Critic Alignment（arXiv:2609.26355）
• 作者：Jiayan Fu、Hang Xu、Yong Zhang、Zhaokai Luo、Yao Hu、Dongyan Zhao、Mu Chuan
• 来源与链接：arXiv 摘要页 · PDF
• 证据状态：已核阅公开 PDF；结果是论文报告，尚未独立复核。

核心问题。 LLM 强化学习中，token 级 credit 没有公认定义，critic 又可能在 actor 更新后失配。论文先用 Completeness、Prefix Consistency、Neutrality 三个条件刻画唯一的 token credit，再问 actor 先更新、critic 后用重要性修正同步，是否能减少这种失配。

方法与基线。 PACT 采用 Actor-then-Critic 顺序，以更新前后策略的 continuation importance ratio 修正 critic 目标，并用 BCE critic；数学推理使用 Qwen3.5-4B、3,200 道问题，比较 GRPO、PPO（λ=0.95/1.0）、SAO 和不做 importance sampling 的 PACT，编码任务使用 Qwen3.6-35B-A3B、OpenSWE 与 SWE-bench Verified。作者还报告长响应下精确重要性比率可能高方差，实际以截断和 mask 稳定训练。

论文报告的主要结果。 四个数学 benchmark 的 Avg@16 平均准确率为 72.87%，高于 GRPO 的 64.07%、PPO（λ=1.0）的 59.71% 和 SAO 的 51.14%；去掉重要性修正后为 67.74%。SWE-bench Verified pass@1 为 67.4%，高于 GRPO 65.4%、PPO 65.0% 和 SAO 63.6%。这些是论文指定模型、rollout 和训练预算下的 benchmark 结果，不足以证明在其他模型或任务上普遍成立。

创新、局限与适用边界。 亮点是把 credit 的数学公理、critic 目标和训练顺序连起来，并用消融区分 BCE 与 importance correction 的贡献。局限包括仅覆盖数学推理和代码 agent、依赖特定 Dressage/slime 训练框架，长序列比率仍需裁剪，且理论刻画不等于对真实语言模型内部 credit 的完整证明；建议读 §3–§5、附录 C 的重要性推导和附录 E/F 的训练细节，适合做 LLM post-training、RLHF/RLVR 和 critic 设计的人。

3. CoVeR：用覆盖率路由减少 agent 检索验证调用

• 论文：CoVeR: Coverage-Based Routing of Verifier Calls in Agentic Retrieval（arXiv:2609.26086）
• 作者：Daeyoung Roh、Donghee Han
• 来源与链接：arXiv 摘要页 · PDF
• 证据状态：已核阅公开 PDF；结果是论文报告，尚未独立复核。

核心问题。 多跳检索 agent 每轮都让 LLM verifier 重读累积证据，成本随轮数重复增长。CoVeR 不试图替代“证据是否足够”的判断，而只识别明显尚未覆盖的状态，把 verifier 保留给模糊状态。

方法与基线。 在 HotpotQA、2WikiMultiHopQA 和 MuSiQue 上，主实验使用 Self-Ask + Qwen2.5-3B、BM25 闭合检索池、最多 6 轮，并比较 full-budget、每轮 always-verify 和 CoVeR-gated 三种相同轨迹。路由器只用冻结句向量的 coverage margin，另与证据计数、词汇重叠、BM25 和学习型路由比较；还测试 Qwen2.5-7B、公开 NLI decider 及 921k 参数的无 LLM drafter。

论文报告的主要结果。 在训练 verifier 的留一 agent 出实验中，CoVeR 与两种参考的 EM 差异不超过 0.3 个百分点，HotpotQA、2Wiki 和 MuSiQue 分别减少 62.2%、67.8% 和 93.0% 的 verifier 调用；前两个数据集的 95% 区间均在约 ±1.2 个百分点内。coverage margin 对 oracle 标签的 AUROC 为 0.892/0.895/0.831，但对可部署的 generated-claim 标签只有 0.686/0.680/0.760，这正说明它能路由“明显不够”，不能单独判定“已经足够”。

创新、局限与适用边界。 贡献是把验证成本拆成可路由的工作量，同时保留语义 verifier 作为最终裁判。局限包括闭合的 gold+distractor 检索池、固定 Self-Ask/模型与缓存 verifier，MuSiQue 的高节省率还处于几乎不触发 verifier 的饱和区；真实开放网页、检索失败、网络延迟和不同 verifier 可能改变结果。建议读 §3–§5、表 1–3 和 §7 限制，适合检索 agent、推理成本优化和可部署评测工程。

4. FinFIRST：金融搜索 agent 的答案、来源与可追溯性

• 论文：FinFIRST: Benchmarking Search Agents for Financial Information Retrieval, Sourcing and Traceability（arXiv:2609.25192）
• 作者：Wenqing Wang、Haitao Xiang、Xinyi Zhao、Mingming Yin、Ying Zhong、Zhaoxin Huan、Qiheng Zhou、Jin Zhu、Xiaolu Zhang、Shi Chang、Jun Zhou
• 来源与链接：arXiv 摘要页 · PDF
• 证据状态：已核阅公开 PDF；结果是论文报告，尚未独立复核。

核心问题。 金融搜索不只是答对最终数字，还要满足时间有效、权威来源、实体/期间/单位对齐和每个结论可验证。FinFIRST 将这些过程要求拆为原子评分，研究只看最终答案的 benchmark 会漏掉多少“答对但没有证据链”的情况。

方法与基线。 数据集有 123 个专家任务、701 个原子标准和 12,300 个加权评分点，覆盖 60.2% 中文、39.8% 英文；超过四成问题包含多个子问题，61.8% 需要计算，32.5% 需要多来源，75.6% 需要开放搜索。15 个模型配置共享 ReAct 工具、网页搜索、页面访问和 Python 执行；自动裁判按 raw-information、source verification、computation & answer formation 三维打分，并用 8 名专家标注 50 个样本，Cohen’s κ=0.816。

论文报告的主要结果。 Claude-Opus-5 的 Atomic/Loose Pass 最高，分别为 87.59%/87.61%；GPT-5.6-SOL 的 Strict Pass 最高，为 71.54%。所有系统的 computation and answer formation 都落后于原始信息获取，复杂度和多来源任务的 Strict Pass 明显下降；在可分解问题中，平均 17.74% 的“答对”属于证据不完整的 Q3，若只看答案会高估可追溯成功率。

创新、局限与适用边界。 价值是把金融研究 agent 的来源链、计算和答案形成单独测量，而不是把正确字符串等同于可靠研究。局限是每个模型配置只跑一个指定温度的运行、自动裁判仍是 LLM、专家一致性样本较小，且 benchmark 正确不等于实时市场研究或投资回报；建议读 §2–§4、表 3–4 和附录的工具/模型卡，适合金融 RAG、搜索 agent、审计与评测设计。

5. MemCalib：LLM agent 该如何使用记忆

• 论文：MemCalib: Benchmarking and Optimizing Memory Use in LLM Agents（arXiv:2609.24259）
• 作者：Ruike Cao、Fanyu Zhao、Fugen Yao、Liang Dong、Jian Xu、Guanjun Jiang、Yifei Zhao、Han Zhang、Li Xiao
• 来源与链接：arXiv 摘要页 · PDF
• 证据状态：已核阅公开 PDF；结果是论文报告，尚未独立复核。

核心问题。 agent 记忆的关键不是“能否看到”，而是每条记忆对当前回答的影响是否恰到好处。论文把每个 memory atom 的理想使用水平与实际使用水平分成 Ignore、Bound、Control 三类，分别测量 over-use、under-use，并研究常规 post-training 是否会出现一边改善、一边恶化的 calibration seesaw。

方法与基线。 MemCalib 有 13,500 条训练样本、1,500 条测试样本，使用 Qwen3-8B、Ministral-3-8B-Instruct 和 Qwen3.5-35B-A3B；指标包括 SCS、Exact、over/under-use 严重度及发生率。MemCalib-RL 将九类理想—实际转移拆成奖励通道，用 exact atom ablation 得到 token 级反事实 credit，再与 SFT、OPSD、GRPO、GDPO 比较；人工抽样 150 个判断与 judge 的一致率为 96.7%，κ=0.872。

论文报告的主要结果。 MemCalib-RL 在三个模型上都取得最高 SCS/Exact：Qwen3-8B 为 79.54/67.89，Ministral 为 79.00/66.31，Qwen3.5-35B-A3B 为 81.12/70.16；相对最强基线的提升范围为 1.73–7.29 和 0.87–9.98 个百分点。Qwen3-8B 的 token-level ordered localization 比 sentence-level ordered 高 1.36 个 SCS 点、2.22 个 Exact 点；关键句只占 34.6% 的 response tokens，却获得 61.9% 的 credit。

创新、局限与适用边界。 论文把“记忆是否被正确使用”从主观案例变成可测的双向校准问题。局限是 use-level judge 与反事实 token attribution 仍是代理，记忆场景和外部 RPEval 不等于长周期真实 agent，且作者承认 attribution 不总是精确；建议读 §2–§4、表 1–3、§5 限制和附录 H/I，适合 agent memory、RL credit assignment 和上下文工程研究者。

AI 论文

1. FinRED: An Expert-Guided Benchmark Generation and Evaluation Framework for Financial LLM Red-Teaming（arXiv:2606.19887）

• 作者：Chaeyun Kim、Daeyoung Park、Junghwan Kim、Jinyoung Jeong、Eunji Song、Yongtaek Lim、Minwoo Kim
• 来源/分类：arXiv · cs.CR、cs.AI
• 链接：摘要页 · PDF · 代码/论文仓库 · 受限数据集
• 简介：重点关注部分已详述。论文研究金融专用风险如何进入 LLM 红队评测，提出专家 taxonomy、schema 驱动种子和领域 judge；作者报告其能减少关键假阴性，但资料采用受限发布，仍需独立复现。

2. Route-MHT: Multimodal Transformer Guardrails for Thermal Visual Place Recognition（arXiv:2607.04745）

• 作者：Zhiyuan Lu、Kanji Tanaka
• 来源/分类：arXiv · cs.RO、cs.CV
• 链接：摘要页 · PDF
• 简介：研究热成像地点识别在未建图区域的误闭环，方法把路由局部候选、SE(2) SVD 几何校验、冻结视觉特征和运动代理送入 masked multi-head transformer。作者报告五折三随机种子下 FPR 从 SVD baseline 的 0.116 降到 0.061，AUC 从 0.945 升至 0.967、recall 从 0.884 升至 0.914；仅依据摘要，真实机器人路线、跨传感器泛化和计算延迟仍未核查。

3. A Multimodal Large Language Model-Driven Framework for Context-Aware UAV Emergency Landing Site Selection（arXiv:2602.01163）

• 作者：Chunliang Hua、Lei Zhang、Jiayang Sun、Chunlan Zeng、Xiao Hu
• 来源/分类：arXiv · cs.CV、cs.AI
• 链接：摘要页 · PDF · ELSS 代码/数据
• 简介：研究无人机紧急降落不能只看地形平坦度的问题；方法先用轻量语义分割筛候选，再由视觉语言 agent 融合遥感图像和 POI 检查人群、临时设施等语义风险，并发布 ELSS 的遥感与航拍视频子集。作者报告优于几何 baseline 且能生成可解释理由；仅依据摘要，没有给出可复核的数值、基线配置或真实飞行安全验证。

4. SafetyFlow: An Agent-Flow System for Automated LLM Safety Benchmarking（arXiv:2508.15526）

• 作者：Xiangyang Zhu、Yuan Tian、Chunyi Li、Kaiwei Zhang、Wei Sun、Guangtao Zhai
• 来源/分类：arXiv · cs.CL
• 链接：摘要页 · PDF
• 简介：研究安全 benchmark 的人工构造成本、冗余和难度不足；SafetyFlow 编排 7 个专门 agent，在 4 天内自动生成 SafetyFlowBench 的 23,446 个 query，并评测 49 个先进 LLM。作者报告数据集低冗余且有区分力；仅依据摘要，无法判断自动 judge、模型污染、生成成本和人工对照是否足够公平。

5. BananaVLM: A Domain-Adapted Vision Language Model for Banana Crop Disease Diagnosis（arXiv:2609.25040）

• 作者：Sangam Kumar Jena、Pandarasamy Arjunan
• 来源/分类：arXiv · q-bio.QM、cs.CV
• 链接：摘要页 · PDF · 代码、数据与权重
• 简介：研究少样本、细粒度香蕉病害诊断；作者以 LLaVA-v1.5-7B + LoRA 微调，并用约 80,000 条自动生成 QA 构成 BananaInstruct，在九类 benchmark 上比较 14 个开源和 5 个闭源 VLM。论文摘要报告域内/域外准确率 92.21%/83.28%、OOD 二分类准确率 98.38%，但自动生成训练标签、地区/病种覆盖和闭源模型比较公平性仅依据摘要无法确认。

6. PACT: From Credit Assignment to Critic Alignment（arXiv:2609.26355）

• 作者：Jiayan Fu、Hang Xu、Yong Zhang、Zhaokai Luo、Yao Hu、Dongyan Zhao、Mu Chuan
• 来源/分类：arXiv · cs.LG、cs.AI
• 链接：摘要页 · PDF
• 简介：重点关注部分已详述。论文把 token credit 的公理化刻画连接到 actor-critic 同步，并报告数学推理平均 72.87%、SWE-bench Verified 67.4%；结果依赖指定训练框架、任务和重要性比率裁剪。

7. Testing-Driven Reliability Audit of Trajectory-Based Early Outcome Prediction for LLM Agents: Target-Specific Calibration Transfer Persists Within a Single Benchmark（arXiv:2609.25647）

• 作者：YanZe Cao
• 来源/分类：arXiv · cs.AI
• 链接：摘要页 · PDF
• 简介：研究用早期轨迹预测 agent 成败时，校准能否跨 agent 转移；作者在 SWE-bench Verified 做 leave-one-agent-out、先验修正和稳健性审计，报告总体异质性标准未通过，但 gpt-5-mini/SUCCESS 与 claude-opus-4.6/FAILURE 出现 0.1377/0.1107 的持续校准差距，TerminalBench 未形成跨 benchmark 复现。仅依据摘要，结论更支持“有特定组合风险”，不支持它是模型固有或普遍现象。

8. EADC: Evaluation of Advanced and Deep-level Compliance in Large Language Models（arXiv:2609.26175）

• 作者：Yan Zhang、Ruien Li、Yaoyao Peng、Wanxin Ren、Yijia Zhang、Wusheng Zhang、Guangwen Yang
• 来源/分类：arXiv · cs.AI
• 链接：摘要页 · PDF
• 简介：研究静态合规 benchmark 漏掉的隐含风险、长链传播和情境依赖；方法把法律规则映射为合规知识图谱，由 agent 生成场景并经 AI 法律专家审核，形成 4,435+ QA，覆盖偏见、公平、隐私和值观。作者报告能暴露前沿 LLM 的监管盲点；仅依据摘要，未核查专家协议、模型基线、污染控制和合规误报/漏报成本。

9. VACS: Value-Aligned Compositional Shielding for Multi-Agent Reasoning（arXiv:2609.26135）

• 作者：Yiyao Zhang、Diksha Goel、Hussain Ahmad、Shixun Huang、Jun Shen
• 来源/分类：arXiv · cs.AI
• 链接：摘要页 · PDF
• 简介：研究价值偏好不一致的多 agent 如何安全协商；四层方法依次学习 Bradley–Terry/MaxEnt IRL 价值权重、综合 assume-guarantee shield、用 nucleolus/Hamiltonian 机制解决冲突并生成关键路径解释。作者在 NEJM-AI QA、MathInstruct-Subset 和 CyberSec-Eval 上报告 85.4%/95.0%/90.0% 准确率且逻辑不一致率接近零；仅依据摘要，论文自己也说明这不是对语言模型内部的端到端形式化证明。

10. CoVeR: Coverage-Based Routing of Verifier Calls in Agentic Retrieval（arXiv:2609.26086）

• 作者：Daeyoung Roh、Donghee Han
• 来源/分类：arXiv · cs.CL
• 链接：摘要页 · PDF
• 简介：重点关注部分已详述。论文报告在多跳 QA 中减少 62%–68% verifier 调用且 EM 基本不变，饱和场景可达 93%；仅适用于其固定检索、decider 和协议条件，不能把 coverage margin 当成证据充分性的替代品。

11. Towards Systematic Qualification of Vision-Language Models for Automotive Perception Systems（arXiv:2609.25945）

• 作者：Malsha Ashani Mahawatta Dona、Konstantinos Rokanas、Alexander S\”afstr\”om、Krishna Ronanki、Christian Berger
• 来源/分类：arXiv · cs.CV
• 链接：摘要页 · PDF
• 简介：研究汽车感知 VLM 的幻觉和漏检如何进入部署前验证；方法把设计时固定安全 ontology 与运行时监控结合，在 nuScenes 上对 3 个 state-of-the-art VLM 做同义词归一化评测。作者报告该流程能确定性、可重复地量化幻觉并支持模型比较；仅依据摘要，未给出各模型数值、临界场景覆盖和真实安全完整性。

12. SambaGraph: Action-Reaction Spatio-Temporal Graphs for Soccer Tactical Response Modeling（arXiv:2609.25569）

• 作者：Abel A. Reyes-Angulo、Henry O. Velesaca、Steven Araujo
• 来源/分类：arXiv · cs.LG
• 链接：摘要页 · PDF · 代码与数据
• 简介：研究足球进攻动作如何改变防守反应；数据来自 2022 世界杯 64 场比赛，整理 4,070 个 episode、23 节点球员—球图序列和 26,270 个 split-safe 配对。作者报告 signature MLP 的 response macro-F1 为 0.796±0.007，双编码器 Hit@5/10 为 0.471±0.029/0.655±0.051；本地 LLM 分类不如监督 encoder，但能提供有依据的战术解释。仅依据摘要，未核查赛事实体泄漏、跨联赛泛化与算力公平性。

13. The AI Neuroscientist: An Interactive Agentic Interface for Neuroimaging Analysis（arXiv:2609.25254）

• 作者：Aakash Patel、Panos Ketonis、Shreya Saxena、Smita Krishnaswamy、David van Dijk
• 来源/分类：arXiv · cs.AI
• 链接：摘要页 · PDF
• 简介：研究没有编程背景的神经科学研究者如何用自然语言做质量控制、建模和可视化；系统把 LLM 与神经影像工具集连接，并在 fNIRS 数据和自建 benchmark 上与通用 LLM agent 比较。作者把它定位为小规模探索的透明脚本替代物；仅依据摘要，没有给出准确率、统计校验、错误恢复、数据隐私和 fMRI 扩展结果。

14. FinFIRST: Benchmarking Search Agents for Financial Information Retrieval, Sourcing and Traceability（arXiv:2609.25192）

• 作者：Wenqing Wang、Haitao Xiang、Xinyi Zhao、Mingming Yin、Ying Zhong、Zhaoxin Huan、Qiheng Zhou、Jin Zhu、Xiaolu Zhang、Shi Chang、Jun Zhou
• 来源/分类：arXiv · cs.CL
• 链接：摘要页 · PDF
• 简介：重点关注部分已详述。它是 AI agent 的金融搜索评测，不是投资策略 benchmark；摘要报告 Claude-Opus-5 atomic score 87.59%、GPT-5.6-SOL strict pass 71.54%，但证据链和计算形成仍是主要瓶颈。

15. From Pattern Recognizers to Personalized Companions: A Survey of Large Language Models in Mental Health（arXiv:2609.25186）

• 作者：He Hu、Yucheng Zhou、Qianning Wang、Yingjian Zou、Chiyuan Ma、Jianzhuang Liu、Zitong Yu、Laizhong Cui、Fei Ma、Qi Tian
• 来源/分类：arXiv · cs.CY
• 链接：摘要页 · PDF · 资源仓库
• 简介：综述将心理健康 LLM 分为信息/模式识别、即时共情对话和有状态长期个性化 companion 三阶段，并梳理 Profile、Memory、Reasoning、Planning 架构与数据集。作者强调可及性潜力和责任治理路线；仅依据摘要，尚未核查检索范围、证据质量、临床有效性或危机处置安全性。

16. ME-VLM: A Unified VLM for Embodied Cognition and Agent Coordination（arXiv:2609.24526）

• 作者：Foundation Model、Li Auto Inc
• 来源/分类：arXiv · cs.CV
• 链接：摘要页 · PDF · 项目页 · 代码仓库
• 简介：研究把具身感知、时空推理、规划、交互和结果评估整合到统一 VLM；ME-VLM 提供 4B 与 35B-A3B 版本，训练包含能力注入、分别 RL 和多教师 on-policy distillation，并用视觉 token 压缩、W4A8 量化和软硬件协同将 M100 端侧 prefill 延迟从 400ms 降至 188ms。仅依据摘要，未核查 benchmark 对照、数据污染、训练算力和端侧端到端延迟。

17. MemCalib: Benchmarking and Optimizing Memory Use in LLM Agents（arXiv:2609.24259）

• 作者：Ruike Cao、Fanyu Zhao、Fugen Yao、Liang Dong、Jian Xu、Guanjun Jiang、Yifei Zhao、Han Zhang、Li Xiao
• 来源/分类：arXiv · cs.LG
• 链接：摘要页 · PDF
• 简介：重点关注部分已详述。论文指出前沿开源/闭源模型都可能过度或不足使用记忆，MemCalib-RL 用双向反事实 credit 改善平衡；仅依据摘要无法判断其记忆场景与真实长期 agent 的距离。

18. Simulate to Generalize: Scaling Stateful Supervision for API-calling Agents using LLM World Models（arXiv:2607.16900）

• 作者：Seanie Lee、Sanjoy Chowdhury、Chao Jiang、Cheng-Yu Hsieh、Ting-Yao Hu、Alexander T. Toshev、Oncel Tuzel、Raviteja Vemulapalli
• 来源/分类：arXiv · cs.AI
• 链接：摘要页 · PDF
• 简介：研究如何在不逐一实现真实环境的情况下，为有状态 API agent 扩大监督数据；流水线从领域名合成 API/任务，让 teacher agent 在 LLM world model 中交互，再由自动 judge 过滤轨迹。作者报告微调后的 agent 在完全未见环境的 AppWorld 和 OfficeBench 上有明显提升；仅依据摘要，尚未核查 simulator 与真实状态转移的错配、judge 偏差、污染风险和部署成本。