论文提出先预测奖励分歧再分配rollout预算的方法BRACE。
资讯摘要
论文针对MCP环境下工具调用语言模型的强化学习训练，提出用奖励分歧指导评估与rollout分配。Discord通过精确配对推理和保持决策的早停来检验harness改动，只有配对结果不一致时才支持某一harness。BRACE结合历史任务证据、成功率不确定性和相关奖励模型，在分配生成预算前预测混合奖励组。作者报告在三个Qwen3-VL规模上，BRACE以更少新训练rollout超过最强基线峰值，并在BFCL和NESTFUL上领先。
要点速读
- Discord用精确配对推理和保持决策的早停检验harness改动，仅配对结果不一致时支持某一harness。
- BRACE结合历史任务证据、任务成功率不确定性和相关奖励模型，在分配生成预算前预测混合奖励组。
- 作者报告在三个Qwen3-VL规模上以更少新训练rollout超过最强基线峰值，并在BFCL和NESTFUL上领先；历史库收集单独计数。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。