arXiv 2026年10月5日该研究探讨小型语言模型（SLM）能否充当任务—工具相关性分类器，对智能体每一次选定的工具独立评估其与所分配任务的相关性并输出相关性信号供下游执行使用，同时构建了一个任务所需工具跨越不同模型上下文协议（MCP）服务器的多工具数据集，并采用提示优化、监督微调与基于 GRPO 的强化学习对 SLM 进行优化与专门化。该研究探讨小型语言模型（SLM）能否充当任务—工具相关性分类器，对智能体每一次选定的工具独立评估其与所分配任务的相关性并输出相关性信号供下游执行使用，同时构建了一个任务所需工具跨越不同模型上下文协议（MCP）服务器的多工具数据集，并采用提示优化、监督微调与基于 GRPO 的强化学习对 SLM 进行优化与专门化。研究者提出用小型语言模型逐次校验智能体工具调用是否契合任务意图，并构建跨 MCP 服务器的多工具数据集该研究探讨小型语言模型（SLM）能否充当任务—工具相关性分类器，对智能体每一次选定的工具独立评估其与所分配任务的相关性并输出相关性信号供下游执行使用，同时构建了一个任务所需工具跨越不同模型上下文协议（MCP）服务器的多工具数据集，并采用提示优化、监督微调与基于 GRPO 的强化学习对 SLM 进行优化与专门化。该研究探讨小型语言模型（SLM）能否充当任务—工具相关性分类器，对智能体每一次选定的工具独立评估其与所分配任务的相关性并输出相关性信号供下游执行使用，同时构建了一个任务所需工具跨越不同模型上下文协议（MCP）服务器的多工具数据集，并采用提示优化、监督微调与基于 GRPO 的强化学习对 SLM 进行优化与专门化。