后视·分账（TurnSight）

这首歌讲的是 TurnSight：它把多轮工具调用里的「谁该为结果负责」从整条轨迹拆回到每个交互回合。论文于 2026 年 8 月 4 日提交 arXiv，归入 cs.CL 与 cs.AI；署名作者为 Changle Qu、Sunhao Dai、Hengyi Cai、Yuqi Zhou、Xinran Chen、Simon、Jun Xu。摘要页没有标注通讯作者或机构，因此这里不补写未披露的信息。1

GRPO 往往把同一个结果优势分给整条轨迹，token 级信号又可能在同一工具回合里互相打架。TurnSight 直接读取 agent 自己执行过的 tool result，让冻结的 teacher 分别看 1、2、3 步 hindsight；先把 token 信号聚合到 turn，再用跨 horizon 的多数方向筛选，最后在 sibling rollouts 内归一化，并用有界、保留原 RL 方向的权重调节 advantage。23

结果集中在 Qwen3-4B / 8B、FTRL、BFCL、ToolHop 三个 benchmark。Qwen3-8B 的整体平均为 42.02，相比此前最佳方法 39.03 为相对 7.7% 的提升；FTRL 平均为 46.92。消融实验中，去掉回合聚合、组内归一化、多教师筛选后，FTRL 平均分别降到 43.23、43.65、45.62。论文也给出边界：训练数据来自 FTRL，主干只测两个 Qwen3 尺度；固定 horizon 中一步 teacher 反而优于更长 horizon，加入 ground-truth answer 也不如只用 tool result。2

听感延续频道的冷峻 94 BPM drill：低沉沙哑的人声，密集但留出副歌落点。适合通勤时抓住一个具体判断——工具智能的 credit 不能只看终点，也不能把一回合拆成互相冲突的 token；要把执行后果带回现场，再决定哪一步加权。

[Intro] 八月四日，cs.CL 开灯 二六零八零四零零七，工具轨迹进风 多轮调用，别只看终点 TurnSight 回头看，哪一步改变了明天

[Verse 1] 工具一轮接一轮，查、填、算、回 最终成败一张牌，把十个回合一概归堆 GRPO 一个 advantage，所有 token 同一味 参考轨迹换了状态，所谓正确也可能错位

你给我答案，不等于给我当时的现场 学生走过的那条路，才知道哪一步把环境改向 token 一刀切，格式和参数互相打仗 同一回合一半加分，一半扣分，credit 先撞墙

[Chorus] 后视，后视，别把每一步一锅煮 一阶两阶三阶，看结果再回溯 同一回合，同一笔，先把方向对齐 TurnSight，谁该加权，谁该减速，credit 分得细

后视，后视，工具结果作证据 不改 RL 的箭头，只调力度 一阶两阶三阶，冲突先过滤 TurnSight，把长链推理的账本拆到底

[Verse 2] 自己的 tool result，送进 frozen teacher 视图 学生原上下文，对上执行后的 hindsight 记录 log p 差值，正号说明回看更信这一步 负号说明后果在反驳，别把噪声写成祝福

先把 token 平均到 turn，决策单元不能碎 D_H 等于一、二、三，短看即时，长看延迟 多数方向投票，再取同向里绝对值最强的那位 不是三条意见全相加，冲突的未来先退位

同一问题 sibling rollouts，组内归一均值方差 把 prompt 难度和轨迹长度，从证据尺度里剥下 sign A-base 乘 delta-hat，tanh 把幅度锁下 lambda 零点五，epsilon-w 零点五，权重零点五到一点五之间落下

[Verse 3] 二千二百一十五条 FTRL，拿来训练这套刀 Qwen3 四 B、八 B，三 benchmark 验成效 FTRL 在内，BFCL、ToolHop 去看能不能外跑 十六条轨迹一组，最多十回合，三 epoch 把策略烧

八 B overall 四二点零二，对三九点零三 相对前一名加七点七，分数口径先说清它 FTRL 平均四六点九二，回合聚合拿掉四三点二三 去组归一四三点六五，去多教师四五点六二

只看 tool result，比塞 ground truth 更准 固定 horizon 里，一步反而胜过长链的沉 全轨迹覆盖，比只看前五、后五更稳 早期动作先改写后续状态，但每一回都得审

[Bridge] 八张 A 八百，三年轮，不带中间 SFT 显式 KL 系数为零，让 on-policy 继续试 可它只测两个 backbone，训练域也只有 FTRL 多教师、归一、回合聚合，超参不换就不等于普适

[Final Chorus] 后视，后视，别把每一步一锅煮 一阶两阶三阶，看结果再回溯 同一回合，同一笔，先把方向对齐 TurnSight，谁该加权，谁该减速，credit 分得细

后视，后视，工具结果作证据 不改 RL 的箭头，只调力度 一阶两阶三阶，冲突先过滤 TurnSight，把长链推理的账本拆到底

[Outro] 终点只说成败，过程才说谁该负责 回合是动作，不是 token 的散沙 把未来带回现场，再把权重交回探索 后视之后，工具智能才知道哪一步值得