arXiv 2026年10月6日该工作提出CIPO框架：先用预算约束的BPE式挖掘从成功工具轨迹中抽取可执行复合技能，再在GRPO中对每条基础轨迹于首个可替换的粒度决策点构造反事实分支，用配对结果差作为有界补充奖励；在TOOLATHLON、TOUCAN、TRAJECT-Bench三个基准与Qwen2.5-7B、Llama3.1-8B两个骨干上，CIPO在全部六个设置取得最高Tool F1与TSR，平均Comp./Raw为0.845，优于GRPO+Skills的0.912，且提升并非来自单纯增加技能调用频率。该工作提出CIPO框架：先用预算约束的BPE式挖掘从成功工具轨迹中抽取可执行复合技能，再在GRPO中对每条基础轨迹于首个可替换的粒度决策点构造反事实分支，用配对结果差作为有界补充奖励；在TOOLATHLON、TOUCAN、TRAJECT-Bench三个基准与Qwen2.5-7B、Llama3.1-8B两个骨干上，CIPO在全部六个设置取得最高Tool F1与TSR，平均Comp./Raw为0.845，优于GRPO+Skills的0.912，且提升并非来自单纯增加技能调用频率。CIPO用反事实分支训练LLM智能体在原子工具与复合技能间自适应选择粒度，在三个基准和两个骨干上同时提升成功率与决策压缩该工作提出CIPO框架：先用预算约束的BPE式挖掘从成功工具轨迹中抽取可执行复合技能，再在GRPO中对每条基础轨迹于首个可替换的粒度决策点构造反事实分支，用配对结果差作为有界补充奖励；在TOOLATHLON、TOUCAN、TRAJECT-Bench三个基准与Qwen2.5-7B、Llama3.1-8B两个骨干上，CIPO在全部六个设置取得最高Tool F1与TSR，平均Comp./Raw为0.845，优于GRPO+Skills的0.912，且提升并非来自单纯增加技能调用频率。该工作提出CIPO框架：先用预算约束的BPE式挖掘从成功工具轨迹中抽取可执行复合技能，再在GRPO中对每条基础轨迹于首个可替换的粒度决策点构造反事实分支，用配对结果差作为有界补充奖励；在TOOLATHLON、TOUCAN、TRAJECT-Bench三个基准与Qwen2.5-7B、Llama3.1-8B两个骨干上，CIPO在全部六个设置取得最高Tool F1与TSR，平均Comp./Raw为0.845，优于GRPO+Skills的0.912，且提升并非来自单纯增加技能调用频率。