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
AI4Papers 是一个以每日 arXiv 论文发现为入口的 AI 科研工作流平台,帮助研究者用最短时间掌握最新 AI/ML 前沿动态。
核心功能完全免费。高级 AI 功能(对比分析、深度研究、灵感工作台)支持自带兼容 API Key(如 OpenAI、通义千问)无限使用。
免费注册 | 使用教程