明智行动：培育代理多模态模型中的元认知工具使用能力

针对当前代理多模态模型存在的元认知缺陷，即难以权衡内部知识与外部工具查询，导致盲目调用工具并阻碍推理的问题，本文提出了 HDPO 框架。该方法摒弃了传统的标量奖励耦合机制，转而采用正交优化通道：在确保任务准确性的前提下，通过条件优势估计专门优化执行效率。这种解耦架构迫使代理先掌握任务解决再提升自依赖性。实验表明，所得模型 Metis 在大幅减少工具调用次数的同时，显著提升了推理准确率。