AdaVDR：自适应工具调用与可靠性反思¶

复现级别：核心机制 mini-suite。 真实执行论文特有的控制流/目标；未把确定性任务成功率当作论文 benchmark 复现。

论文信息¶

字段	内容
论文链接	arXiv 2608.25559
公司 / 机构	Accio Team，Alibaba Group / Beijing Institute of Technology（第一作者第一署名单位）
首次公开日期	2026-08-26（arXiv v1）
原作者代码	是：GitHub
本地 adapter / 方法	`adavdr`
本地复现代码	`src/auto_research/agent_research/latest_20260827.py`

原始论文总结¶

背景与主要改动¶

先以目标模型能力过滤不必要工具调用，只在中间证据不可靠时回退反思；SFT 后用 redundancy-aware reward 做 RL，兼顾视频理解、外部检索和调用成本。

flowchart LR
  I[任务与当前状态] --> M[tool necessity / redundancy avoidance / reliability reflection]
  M --> O[策略动作或训练目标]
  O --> E[可审计指标与反馈]
  E --> M

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¶

\[ R=R_{answer}-\lambda N_{redundant},\qquad a_t=\begin{cases}tool,&n(x_t)=1\\internal,&n(x_t)=0\end{cases}. \]

论文离线与线上效果¶

VDR-EE 消融中 adaptive data + reflection 达 48.0% 且工具调用 7.73 → 7.26；加 RL 后准确率 51.0%、调用 7.84 → 6.80。

本地复现¶

L2 隔离能力评测（主结果）¶

AdaVDR 在无 oracle 的状态化工具环境中执行候选验证、失败反思与回退。ToolRoute-L2.1 三 seed 的 joint success 为 0.8167，plan step F1 为 0.8366，平均成本 5.0577；更高成功率伴随额外 verifier 成本。

指标见 metrics/toolroute-l2-seeds42-44.json。下方 PlanBench-mini 只作机制诊断。

本地对照口径：PlanBench-mini 120 episodes，joint success 1.0000、平均成本 0.4600；确定性答案不作为主结论，关注 necessity filters、avoided calls 与 reflections。

指标见 metrics/adavdr-planbench-mini-seed42.json。批次索引见 ../../experiments/latest-20260827-seed42.json。

auto-research agent-eval --method adavdr --benchmark planbench-mini --episodes 120 --seed 42

复现边界¶

本地 mini-suite 用公开、确定性的候选/计划任务隔离机制差异；论文 checkpoint、私有训练数据、外部服务和完整 benchmark 均未声称已复刻。