ToolRL：以执行奖励统一多工具学习

保真度：核心机制复现。本页不把确定性 mini-suite 冒充原论文完整 benchmark。

论文信息

字段	内容
论文链接	ToolRL：以执行奖励统一多工具学习（arXiv 2504.13958）
公司 / 机构	University of Illinois Urbana-Champaign
首次公开日期	2025-04-16（arXiv v1）
原作者代码	未发现/未发布原作者官方代码仓库
本地 adapter / 方法键	toolrl
本地复现代码	src/auto_research/agent_research/

原始论文总结

背景与主要改动

联合优化工具选择、参数生成和执行结果；动态 reward scaling 让不同工具难度进入同一 RL batch。

flowchart LR
 A["公开输入 / 历史"] --> B["toolrl 训练 / 执行闭环"]
 B --> C["论文特有状态或目标"]
 C --> D["同预算评测"]

原论文关键图

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ R=R_{select}+R_{args}+R_{exec}+R_{answer},\quad\hat A=(R-\mu_{tool})/(\sigma_{tool}+\epsilon). \]

论文离线与线上效果

论文在多工具 benchmark 上改善选择准确率、参数正确率与最终任务成功率。 论文未报告生产线上 A/B，本页不补造线上数字。

本地复现

PlanBench mini-suite、120 episodes、seed 42：joint success 1.0000，average cost 1.1250；方法特有操作有非零 telemetry。

auto-research agent-eval --method toolrl --benchmark planbench-mini --episodes 120 --seed 42
auto-research evolve --model agent --dataset planbench-mini --direction "组合 toolrl 与已安装论文算子" --generations 2 --population 4

固定指标见 ../../experiments/global-p0-20260808-seed42.json。

复现边界

本地只验证论文特有目标、状态更新和公平预算；没有复刻原论文的大模型、多卡 RL、私有环境、真实网页或完整 benchmark，因而只报告机制验证，不声称数值复现原表。