MATCH：具备模型感知的工具学习、课程调度与分层门控奖励

工具学习使大型语言模型（LLM）能够使用外部工具，完成超越参数化知识范围的任务。强化学习可以根据反馈优化工具调用行为，但现有方法仍面临两个问题：固定阈值的课程可能会逐渐偏离策略不断变化的能力边界；当预测的工具错误时，加性奖励可能会错误地将信用分配泄漏到参数层面。为解决这些问题，我们提出 MATCH，这是一种结合课程调度与分层门控奖励、具备模型感知能力的工具学习闭环框架。模型感知课程学习（MACL）维护由奖励导出的样本难度，使其与策略共同演化；每个训练周期都会选择接近当前能力边界的样本，以及由更困难样本组成的 top-k 候选池。分层工具调用门控奖励（HTGR）将工具名称、参数键和参数值作为一个门控链进行评分，仅当先决条件满足时，才在每个层级给予信用。同一 HTGR 奖励既驱动 GRPO 更新，也用于刷新 MACL 的样本难度，从而形成策略优化与样本调度之间的闭环。在 API-Bank 和 BFCL V3 上，MATCH 的总体准确率分别达到 72.19% 和 62.87%，优于主要的监督学习和基于强化学习的基线方法。骨干模型实验进一步表明，MATCH 在来自两个模型系列的四个骨干模型上均取得了稳定提升。