TACO: Tool-Augmented Credit Optimization for Agentic Tool Use

TACO 是一种针对代码工具型智能体的 GRPO 变体，通过两个耦合优势通道实现精准信用分配：DAPR 机制自监督地衡量每个工具调用对最终答案的贡献（正/负/零），无需外部裁判模型；OGAR 规则将最终结果优势仅分配给负责的工具调用段，抑制无用调用。实验表明，TACO 在感知、推理和多模态基准上一致提升准确率，且模型学会只在工具确实有用时才调用。

1. 可直接用于导购/Agent 产品：TACO 的 DAPR 方法能自动识别哪些工具调用（如查询商品、调用 API）对最终推荐有正面贡献，从而优化 Agent 的工具选择策略，减少冗余或误导调用。
2. 改变技术选型判断：之前认为奖励建模必须依赖外部 judge，TACO 证明自监督的 probe 差分奖励是可行且鲁棒的，可降低系统复杂度。
3. 接下来建议：仔细阅读代码实现，考虑将 DAPR 适配到我的 Agent 训练 pipeline 中；在论文情报平台上收录并做笔记，待 GPU 资源允许时在小规模场景复现验证。