标签
CBPO引入了一种对比分支策略优化方法，用于具有可验证奖励的强化学习中的细粒度信用分配，提升了语言模型在多个基准测试中集成工具的推理任务的性能。
提出HiDiffTIR，一种面向LLM代理中多轮工具集成推理的层次难度感知策略优化框架，通过细粒度信用分配提升性能和工具调用准确性。
TurnSight 提出了一种面向工具集成推理的回合级事后自蒸馏框架，通过基于执行条件的事后视角和自适应强化学习优势调制来提供密集监督。
ToolVerse是一个框架，可从422个真实世界MCP环境（包含4438个工具）自动构建大规模可执行智能体训练环境，并提出了一种基于动态解锁采样算法的任务设计策略以生成长程任务，以及一种用于智能体强化学习中信用分配的轮次感知相对优势算法。
ToolMaze基准测试评估了LLM智能体处理真实世界工具故障的能力，揭示了隐式语义故障导致的性能下降最为显著，而动态重新规划仍是模型扩展或提示工程无法解决的关键瓶颈。
本文介绍了 ThinC（Thinking in Code，用代码思考）框架。在该框架中，语言模型在简短的自然语言规划步骤后，仅使用代码块进行推理，在数学基准测试中优于现有的工具集成推理基线。