平均误差压到很低，模型照样会在一张看着毫不起眼的图上翻车。麻烦在于那张图往往不在固定数据集里，你想找它，先得知道它长什么样。
这篇绕开了死循环。它不去翻题库，改用一个可解释程序造题，给一组低维旋钮，管布局，也管光照和姿态，程序渲出图，标签顺手就有了，不需要谁去标。Simple-PAT 拿零阶优化在这片旋钮空间里找最刁的那组，按需生成对抗训练样本，PAL-Dojo 里备了表面法线、图像分割和人体姿态三套生成器。
结果报的是最坏情况误差，对跨模型黑盒对手、5000 万次聚合查询，几何平均比标准训练降 3.15 倍，比最强的鲁棒训练基线再降 2.63 倍。报几何平均，是怕某一项特别惨被其余项匀掉，这个选择本身就挺诚实。
我特意去看了仓库，princeton-vl/procedural-adversarial-learning 是真的，11 月 4 日建仓，创建与推送前后只隔一分钟，一颗星，BSD-3-Clause。代码在，别指望有长期维护的迹象。
平均分是给报表看的，最坏那一题才是给病人看的。把考卷从「题库抽题」换成「现场出题」，才逼得出真本事。下一根钉子是旋钮之外的那部分世界，程序生成器造不出来的失败，该怎么找？