arXiv · cs.AI· Yinhong Liu, Zhili Tan, Zilin Wang, Zhijiang Guo·· 6 小时前
LLM智能体研究提出行动空间塑形方法，测量并缓解工具模式偏差
Action-Space Shaping for LLM Agents: Measuring and Mitigating Tool-Schema Bias
arXiv:2609.34971v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Yinhong Liu, Zhili Tan, Zilin Wang, Zhijiang Guo
研究任务与主要进展
研究者提出行动空间塑形框架，通过合并、拆分工具、改变工具表达方式及将一个动作拆分为多个依赖调用，测量LLM智能体对功能等价工具模式的行为偏差。基于论文摘要，11个模型在最多32种模式变体上的成功率仅因模式而从完全失败到97%；难度估计需要少量目标查询，训练只能修复训练数据中出现的模式。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org