Datalab 实测纯 RL 后训练让智能体工具调用死循环率从 92% 降至 0

Datalab 的 Vik Paruchuri 在微调文档智能体时发现，仅用 SFT 后训练的模型工具调用死循环率高达 92%，改用纯 RL 后训练后降至 0。该智能体的任务是把科学 PDF 转换为 JATS XML，评测以 100 篇文章为基准。作者据此认为 RL 后训练能够解决这一反复调用同一工具的问题。