摘要
针对多模态智能体在视觉问答中代码操作可能冗余或误导的问题，本文提出工具增强信用优化（TACO）方法。该方法基于 GRPO 变体，包含两个耦合优势通道：差分答案探测奖励（DAPR）通过插入探测 token 自监督评估单个工具调用的贡献；结果门控优势路由（OGAR）则将最终结果奖励仅分配给负责片段。实验表明，TACO 能显著提升感知与推理基准的准确率，并学会仅在有益时调用工具。
AI 推荐理由
论文核心研究 Agent 如何优化代码工具调用，通过新奖励机制区分工具有效性，属于技能学习范畴。
研究机构
北京航空航天大学自动化学院
清华大学自动化系
论文信息