Yan Zhan

该工作把工具调用强化学习的轨迹拆成工具段与总结段，指出统一广播轨迹级优势会造成“跨段信用错配”，并提出 SLCA-GRPO：在同一个策略内对两段奖励分别做组内归一化并只路由到对应 token，配合 Schema-Guided LLM Simulator 与 Hierarchical Rewards，在 Qwen2.5-3B/7B-Instruct 与 Qwen3-8B-Base 三个骨干、Toucan-Test、BFCL V3 与 τ²-Bench 三个基准上报告了高于匹配 GRPO 的均值，7B 上分别为 +2.53、+1.36、+9.15 个百分点。

该工作把工具调用强化学习的轨迹拆成工具段与总结段，指出统一广播轨迹级优势会造成“跨段信用错配”，并提出 SLCA-GRPO：在同一个策略内对两段奖励分别做组内归一化并只路由到对应 token，配合 Schema-Guided LLM Simulator 与 Hierarchical Rewards，在 Qwen2.5-3B/7B-Instruct 与 Qwen3-8B-Base 三个骨干、Toucan-Test、BFCL V3 与 τ²-Bench 三个基准上报告了高于匹配 GRPO 的均值，7B 上分别为 +2.53、+1.36、+9.15 个百分点。