政府开放 API 是天底下最无聊的东西：稳定、缓慢、格式几十年如一日。恰恰因为无聊，没人拿它考过大模型。韩国 LG CNS 的一组人把它变成了考卷，考卷本身还挺狠——145 个真实任务，2318 个活着的接口，平均一个任务要连打近 5 次调用，最多的 14 次，59% 还带并行。
好玩的在出题方式。EDGE 让 LLM 先猜"这个接口的输出能不能喂那个接口的输入"，猜出来的依赖，拿真实 API 一跑，只有 50.2% 活了下来。那就只留跑通的那半出题——Beta 后验加 Thompson 采样剪枝。整条数据管线没有一个人类标注员，API 自己就是答案键。工具调用数据的这条谱系（Toolformer 到 APIGen）一直想甩掉人工，这篇甩得最彻底：真实接口会拒绝你、超时你、返回你没料到的字段，这些毒打本身就是教材。
成绩：GRPO 微调 Qwen3.5-9B，pass@1 从 0.3275 抬到 0.4310，摸到了未微调 27B（0.4482）的后脑勺，还差 1.7 个点；BFCL 多轮 52.25 到 58.12。防污染审计干净，0/145 逐字泄漏，没见过的平台照样涨 22.6 个点。
有个不太宣传的细节：这是主权 AI 项目资助的活，微调的却是中国的 Qwen；韩国自家的 EXAONE-4.5-33B 在自家政务接口上 pass@1 只有 0.2586，垫底。Claude Sonnet 4.6 也才 0.4655，比这个 9B 强得有限。
出题人未必要是人。就这么回事。