# 工具调用

该工作在一对共享解码器、分词器与特殊token布局的西班牙语安全小模型（VectraYX-600M 661.6M参数、VectraYX-1B 1,109M参数）上发现关键词式工具使用评测的假阳性：两者在宽松指标B4上几乎相同（0.660对0.650），但逐字复现检查显示600M在6/6训练样例上生成带泛化参数的合法工具调用，1B在所有修复前检查点上为0/4–6，首token探针把失败定位为<|tool_call|>上约10^-4–10^-5的缺失先验，随后一个多样语料、5倍学习率、2,202步、约3.3 GPU小时的定向SFT把1B的合法生成率从0.100提升到0.959，并在238条未见实体提示上

该工作在一对共享解码器、分词器与特殊token布局的西班牙语安全小模型（VectraYX-600M 661.6M参数、VectraYX-1B 1,109M参数）上发现关键词式工具使用评测的假阳性：两者在宽松指标B4上几乎相同（0.660对0.650），但逐字复现检查显示600M在6/6训练样例上生成带泛化参数的合法工具调用，1B在所有修复前检查点上为0/4–6，首token探针把失败定位为<|tool_call|>上约10^-4–10^-5的缺失先验，随后一个多样语料、5倍学习率、2,202步、约3.3 GPU小时的定向SFT把1B的合法生成率从0.100提升到0.959，并在238条未见实体提示上

该工作指出 GRPO 在多奖励场景下用总奖励的组内标准差做归一化，其方差等于所有成对奖励协方差之和，因而大尺度奖励会主导归一化并压制小尺度奖励的信号；作者提出 CorrGRPO，把分母中的成对协方差替换为皮尔逊相关系数，同时保留中心化总奖励不变，并在代码生成、工具调用、智能体效用与安全三类任务、0.5B 至 8B 参数模型上与 GRPO 及 GDPO 等变体比较，报告三类任务上的性能提升以及竞争性目标之间经验帕累托前沿的外扩。

该工作指出 GRPO 在多奖励场景下用总奖励的组内标准差做归一化，其方差等于所有成对奖励协方差之和，因而大尺度奖励会主导归一化并压制小尺度奖励的信号；作者提出 CorrGRPO，把分母中的成对协方差替换为皮尔逊相关系数，同时保留中心化总奖励不变，并在代码生成、工具调用、智能体效用与安全三类任务、0.5B 至 8B 参数模型上与 GRPO 及 GDPO 等变体比较，报告三类任务上的性能提升以及竞争性目标之间经验帕累托前沿的外扩。

该工作用“优势能量”刻画多奖励强化学习中各奖励对策略更新的贡献，证明在理想化GDPO归一化下某奖励的优势能量正比于其活跃组密度（批次中该奖励产生非零相对优势的 rollout 组比例），据此提出按密度反平方根加权的DARA，在工具调用与数学推理任务上比GDPO更快达到目标行为——工具调用格式合规最多少用26%训练步数，数学推理长度合规接近饱和最多少用65%步数，最终性能保持竞争力。

该工作用“优势能量”刻画多奖励强化学习中各奖励对策略更新的贡献，证明在理想化GDPO归一化下某奖励的优势能量正比于其活跃组密度（批次中该奖励产生非零相对优势的 rollout 组比例），据此提出按密度反平方根加权的DARA，在工具调用与数学推理任务上比GDPO更快达到目标行为——工具调用格式合规最多少用26%训练步数，数学推理长度合规接近饱和最多少用65%步数，最终性能保持竞争力。

该工作提出 VoxParity 基准：183 个来自 14 个行业的场景，每个场景固定同一段文字稿、只改变音频（教练声音、医疗监护仪蜂鸣、无线电检查中的求救信号、药名上的噪声、下注的儿童声音、惊恐的低语），并让正确的可执行工具调用随之改变；在 206 个带线索单元上，28 个系统（含 9 个生产级实时代理）在音频要求保护时执行常规请求的比例为 41%，而在干净通话上过度触发为 12%，23 个有文字通路的系统中只有 11 个通过“纯文字零假设”检验，且通过几乎全部来自明确写出规则的条目。

该工作提出 VoxParity 基准：183 个来自 14 个行业的场景，每个场景固定同一段文字稿、只改变音频（教练声音、医疗监护仪蜂鸣、无线电检查中的求救信号、药名上的噪声、下注的儿童声音、惊恐的低语），并让正确的可执行工具调用随之改变；在 206 个带线索单元上，28 个系统（含 9 个生产级实时代理）在音频要求保护时执行常规请求的比例为 41%，而在干净通话上过度触发为 12%，23 个有文字通路的系统中只有 11 个通过“纯文字零假设”检验，且通过几乎全部来自明确写出规则的条目。