# ScienceWorld 基准

在可执行能力完全对齐的条件下，MCP 与 CLI 两种接口写法仍会让语言智能体走出不同的任务轨迹。研究用共享语义动作契约构造两套接口，在六个模型、三个交互环境上比较，2,004 对轨迹中有 94.3% 出现结构化分歧；据此设计的 DART 在语义决策已确定时只修复接口表达，使六项基准–接口设置的分数全部提升，最高 9.0 分，并在三个环境的 MCP 下降低 token 开销。

在可执行能力完全对齐的条件下，MCP 与 CLI 两种接口写法仍会让语言智能体走出不同的任务轨迹。研究用共享语义动作契约构造两套接口，在六个模型、三个交互环境上比较，2,004 对轨迹中有 94.3% 出现结构化分歧；据此设计的 DART 在语义决策已确定时只修复接口表达，使六项基准–接口设置的分数全部提升，最高 9.0 分，并在三个环境的 MCP 下降低 token 开销。

该工作提出 Hindsight-Divergence Localization（HDL），用加入验证器反馈与反思后 token 对数似然的变化幅度来挑选轨迹中的分支点，只生成少量完整根轨迹、其余槽位用复用前缀的续写填充，在数学、代码与智能体三类任务、三个模型上相对 GRPO 减少 35–61% 生成 token、缩短 18–45% rollout 墙钟时间，同时提升任务表现，智能体任务最高提升 12.46 个百分点。

该工作提出 Hindsight-Divergence Localization（HDL），用加入验证器反馈与反思后 token 对数似然的变化幅度来挑选轨迹中的分支点，只生成少量完整根轨迹、其余槽位用复用前缀的续写填充，在数学、代码与智能体三类任务、三个模型上相对 GRPO 减少 35–61% 生成 token、缩短 18–45% rollout 墙钟时间，同时提升任务表现，智能体任务最高提升 12.46 个百分点。