论文揭示了多步工具使用强化学习中因控制 token 概率激增导致的结构性崩溃问题,并系统研究了多种监督信号(如交错式 SFT 与 RL 结合)以稳定训练并提升大语言模型在复杂工具使用任务中的鲁棒性。
机构:中科院
来源:arXiv 2606.26027 | AI4Papers 论文推荐平台