Meta 与 CMU 论文：RL 训练的 Qwen3 8B 工具选择胜过 402B Llama-4-Maverick

Meta 和 Carnegie Mellon 的论文用强化学习训练 Qwen3 小模型做工具选择，流程是把请求拆成步骤、每步用关键词搜索、再选出 1 个工具。在 ToolBench 上，训练后的 8B 模型精确选对工具的比例为 41.5%，而 402B 的 Llama-4-Maverick 最优提示设置为 30.6%。不重新训练的情况下，该模型在 4 个新工具基准中的 3 个上超过 Maverick，且换更强检索器后成绩继续提升。训练数据先用教师撰写示例，再用奖励有用搜索步骤和精确选择的 RL。