# 过渡感知信用分配

多轮工具调用的强化学习训练中，推理准确率会在初期上升后跌回非智能体基线以下，TACA把原因定位到工具调用令牌拿到的整体信用为负，并改为在推理转向工具调用这一步上做监督。它在Qwen2.5-1.5B与3B上相对MT-GRPO把六个推理基准的平均准确率分别提高4.61和3.61个百分点，同时训练中的工具执行成功率保持在86.28%。

多轮工具调用的强化学习训练中，推理准确率会在初期上升后跌回非智能体基线以下，TACA把原因定位到工具调用令牌拿到的整体信用为负，并改为在推理转向工具调用这一步上做监督。它在Qwen2.5-1.5B与3B上相对MT-GRPO把六个推理基准的平均准确率分别提高4.61和3.61个百分点，同时训练中的工具执行成功率保持在86.28%。