CacheRL：基于缓存 rollout 与混合奖励的多轮工具调用代理

本文提出 CacheRL 系统，旨在训练小型代理基础模型，使其在多步工具调用任务中达到 92% 的过程准确率，接近 GPT-5 水平且计算成本降低百倍。该方法通过混合思维轨迹管道增强推理痕迹，利用三级模糊缓存消除实时执行成本，并引入缓存感知奖励动态调整权重。实验表明，结合监督微调与组相对策略优化，该模型在公开基准上表现优异，证实数据质量与奖励设计对构建实用小型代理模型至关重要。