给一个总在狭窄通道卡住的导航 AI 继续随机刷题，就像让偏科学生反复做整套试卷：题量增加了，短板未必补上。Wedge 把顺序倒过来——先找出具身导航智能体（依靠摄像头等感知，在三维空间连续找路）的具体失败模式，再定向生成训练环境。
它最关键的一步，是让大语言模型对比成功与失败的行动记录，提出可计算的弱点指标，例如目标可见度、看不见目标时需要走多远，以及要穿过几个房间。系统随后用完整诊断集验证这些猜测，选出成功率差距最明显的弱点，并调整目标位置、起点和房间布局。候选环境还要经过智能体亲自试跑：既能暴露短板，又不能难到完全学不会，才会进入训练。
这是一种随能力变化的课程学习——像老师根据错题不断换练习。作者称，Wedge 在三种导航智能体上都胜过数量相当的随机环境和单纯挑选难例；其中 Uni-NaVid 与 Gemini 在 ProcTHOR 中训练后的提升还能延伸到 HM3D。更值得注意的是，重新诊断后，主要弱点可能保持，也可能转移，说明“有效数据”不是固定题库，而要跟着智能体一起变。