Yu Li

该工作提出面向工具使用智能体的比较推理方法 CITA，训练比较推理模型 CIM，从观测到的工具行为、贝叶斯工具图模拟器的可扩展监督以及基于 LLM 比较的语义判断组成的成对信号中学习，估计当前上下文下某个候选下一步工具调用支持最终任务成功的可能性；在三个工具使用基准和多个主干 LLM 上，CITA 一致提升 Tool F1 与任务成功率，分析显示 CIM 能学到用于比较工具选择的准确步骤级价值估计。

该工作提出面向工具使用智能体的比较推理方法 CITA，训练比较推理模型 CIM，从观测到的工具行为、贝叶斯工具图模拟器的可扩展监督以及基于 LLM 比较的语义判断组成的成对信号中学习，估计当前上下文下某个候选下一步工具调用支持最终任务成功的可能性；在三个工具使用基准和多个主干 LLM 上，CITA 一致提升 Tool F1 与任务成功率，分析显示 CIM 能学到用于比较工具选择的准确步骤级价值估计。

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。