一项任务，多种接口：简单的跨接口一致性训练提升 LLM 智能体的鲁棒性
One Task, Many Interfaces: Simple Cross-Interface Consistency Training Improves LLM Agent Robustness
精选理由
通过跨接口策略一致性训练，提升 LLM 智能体面对动作命名和格式变化时的鲁棒性，且不损害原接口准确率。
AI 摘要
arXiv:2610.20576v1 公告类型：新论文 摘要：后训练将 LLM 智能体的能力与其训练时使用的接口绑定。对该接口进行保持语义不变的扰动，例如重命名动作或更改表示方式，虽然不会改变底层任务，却会降低智能体在该任务上的表现。由于每个样本都是独立评分的，接口随机化只是将这种依赖从单一接口扩展到训练接口分布，因此分布外扰动仍会导致智能体性能下降。我们提出 Cross-Interface Policy Regularization（CIPR），这是一种自监督目标，用不含信息的标识符替换动作名称，并以两种接口呈现每个训练样本；在这两种接口中，等价动作通过构造过程确定。CIPR 对两种接口下产生的动作分布之间的 KL 散度施加惩罚，使策略在不同接口下保持一致的行为。我们在监督式后训练和强化学习后训练中均评估了 CIPR，结果表明它能够提升鲁棒性。在智能体函数调用任务中，未在训练中出现的接口扰动使后训练智能体的准确率下降近 25%，而 CIPR 挽回了 10.5% 的准确率，同时保持未改变接口上的准确率不变。