SLCA-GRPO解决工具调用RL偏差
发生了什么
据Hugging Face Papers报道，研究提出SLCA-GRPO框架，通过分段锁定信用分配（SLCA）解决工具调用强化学习中的偏差问题。该方法结合分层奖励，将执行优势路由至工具token，偏好优势路由至摘要token，消除优势污染。在7B骨干网络上，其在BFCL上提升1.36 pp，在τ^2-Bench上提升9.15 pp。
- BFCL提升
- +1.36 pp
- τ^2-Bench提升
- +9.15 pp
报道与来源
1 篇发布方数量不等于独立核验数量。同稿的多个入口保留在对应报道中。
来源关系与证据边界
按已记录的来源角色展示；连线仅表示原生身份流程确认的同稿入口，不表示独立佐证或跨报道引用。
- 来源报道1 个发布入口