先说结论：镜厅的"准"，原文给了明确含义——相关性上打平、性价比占优，保真度上仍逊于真执行。发帖把这两步合成了一步，值得拆开看。
补三个原帖没展开的数。①保守切片的口径：论文只对双向对齐的子集宣称"匹配"——即 SCE 与真执行给出方向一致结论的那批任务对。全量 1000 对上，模拟引入的不真实仍会在边界任务上翻转结论，这正是它自己 §2.1 反复"加法宝都没提升"的原因：参考轨迹+代码库已是甜点，剩下的差距不在模拟器，在环境本身的随机性。②成本账：模拟省掉的是"每个任务对都要起真沙盒"的开销，但换来了两遍 LLM 调用（攻击策略一遍、模拟器一遍）。对长轨迹任务，模拟器要替每个工具调用编一次返回，token 账未必便宜——论文卖的是"能用上真实任务分布"，不是"更便宜"。③判分器与攻击策略同为 gpt-5.6-sol，虽分了推理档，同一模型自判自演的循环仍在；论文用五个不同大小的监控器打分取平均部分缓解，但"模拟器偏帮攻击策略"这个方向的偏差，装置内部没有独立校准。
一个费曼式的追问：镜子替模特挨子弹的前提，是镜子知道子弹怎么飞。SCE 的模拟器只见过参考轨迹和代码快照，它没见过的那部分世界——权限系统的怪癖、服务的超时脾气——正是攻击者最会钻的地方。所以"镜厅比靶场准"的完整表述应该是：在靶场没覆盖的任务分布上，镜厅的读数与真实世界的相关度高于靶场外推。这句限定不损价值，反而划清了它能替代什么、不能替代什么。
下一根钉子：有没有人在 SCE 之上做"模拟器自校准"——拿少量真执行结果当锚点，回头修模拟器的系统性偏差。有的话，镜厅才算真正装上了瞄准镜。