RC-GRPO：面向多轮工具调用智能体的奖励条件群组相对策略优化

针对大语言模型在多轮工具调用中面临的奖励稀疏与探索昂贵问题，现有 SFT 加 GRPO 方法常因组内奖励差异低而导致更新失效。本文提出 RC-GRPO 方法，将探索视为可控引导问题。首先利用注入奖励目标标记的混合质量轨迹微调策略模型，使其能按需生成不同质量轨迹；随后在强化学习阶段，通过在组内采样多样奖励标记并条件化滚动，显著提升组内多样性与优势增益。实验表明该方法在 BFCLv4 基准上优于基线，甚至超越闭源模型。