📖 AI 总结

该论文针对工具调用语言模型训练中交互成本高昂、且同一 rollout 组内奖励完全一致时无法提供组内相对学习信号的问题，提出以奖励分歧来指导评测框架评估与 rollout 预算分配。作者首先提出 Discord 方法，通过精确配对推理和保持决策的早停机制检验框架改动，只有配对结果出现分歧时才判定某一框架更优。这一思路进一步发展为 BRACE 方法，它结合历史任务证据、任务成功率的不确定性以及相关奖励模型，在分配生成预算前预测混合奖励组。在受控框架实验中 Discord 表现更优，实际 MCP 实验则揭示了留存成本与收益之间的权衡。在三个 Qwen3-VL 模型规模上，BRACE 以更少的新训练 rollout 超过最强基线峰值，并在 BFCL 和 NESTFUL 基准上无需额外训练即领先对比方法。消融实验考察了历史库、估计器和分配评分的作用，前瞻性评估验证了预测校准。结果表明，在生成之前预测奖励对比是可行且有效的。

🔑 关键词速览