**RODS：面向多轮工具使用智能体的奖励驱动在线数据合成**

_RODS: Reward-Driven Online Data Synthesis for Multi-Turn Tool-Use Agents_

> 多轮工具使用强化学习面临静态数据集信息样本快速耗尽的瓶颈。RODS利用奖励方差作为零成本边界检测器，识别能力边界样本并合成结构相似的多轮变体，通过动态重放缓冲区持续提供信息丰富的训练数据。从400个人类种子出发，维持约800个样本，RODS的性能可与1.7万样本的离线流程相媲美，所需轨迹量减少约20倍，显著优于固定数据RL和环境增强方法。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-18 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.19047)