Новости
Critical-State RL: Diagnosing Trainable States for Multi-Turn Tool Use
arXiv cs.AI · Опубликовано · 3 мин чтения
За 30 секунд
- Что произошло
- Critical-State RL identifies which model calls in multi-turn tool-use tasks are worth training, improving performance by 14 percentage points on function-calling benchmarks.
- Почему это важно
- Matters for engineers building AI agents that use tools across multiple steps, where training efficiency and targeting high-impact failure points are priorities.
- На что обратить внимание
- Method requires task-defined candidate calls and local rewards; effectiveness demonstrated primarily on Berkeley Function Calling Leaderboard, generalization to other domains unclear.
- tool use
- tool-use
Паттерны, стоящие за этой новостью
- Function Calling
- Agentic Context Engineering (Evolving Playbook)
- Context Editing & Tool-Result Clearing
Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.
The Agent Architect
Один паттерн, один компромисс, одна история сбоя в продакшене. Короткий еженедельный брифинг для тех, кто строит агентные системы.
Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.