一分钟读论文：《同一份权重，换个接口就从不会调工具变成 0.96 分》
内容提要
香港城市大学研究发现，Agent评测中的工具调用率受“模型加接口栈”整体影响，接口错配会静默丢弃调用，导致分数失真。实验显示，仅更换接口配置，同一模型分数可从0.00变至0.96。机制上，单独修改模板或解析器无效，需两者匹配。此问题也影响训练信号，但修复接口仅恢复测量，不提升模型能力。
延伸解读
接口错配：评测分数失真的隐形元凶
论文揭示，Agent评测中的工具调用率并非模型单方面属性，而是“模型+接口栈”整体属性。接口错配会静默丢弃模型发出的格式正确调用，导致分数从0.00到0.96的剧烈波动。这意味着，当模型在基准上表现不佳时，可能并非能力不足，而是接口配置不当所致。研究者需警惕此类测量误差，避免误判模型真实水平。
修复接口≠提升能力：评测恢复的局限
尽管修复接口能恢复被压低的分数（如解析量从0到84），但模型的实际能力（pass rate）并未显著提升（53到62，统计不显著）。这表明，接口错配造成的分数虚低，释放后并不会带来能力跃升。因此，评测改进应聚焦于真实能力提升，而非仅依赖接口调整带来的分数变化。
训练信号静默流失：接口错配的深层影响
接口错配不仅影响评测，还会在agentic RL训练中造成零调用、零执行、零观测，导致训练信号被静默抽干。在7B模型上，115条生成中45条携带完整调用，但全部被接口拦截，训练无法获得有效反馈。这提示训练流程需确保接口契约匹配，否则模型可能因缺乏反馈而无法有效学习。
Q&A
为什么同一模型在BFCL v4上分数可以从0.00变成0.96？
因为工具调用率不仅取决于模型本身，还受serving接口栈（chat template与function-calling parser的配对）影响。当接口配置不匹配时，模型发出的格式正确的调用会被静默丢弃，导致分数极低；更换匹配的接口后，调用被正确解析，分数大幅提升。
什么是接口审查（interface censoring）？
接口审查指模型的工具调用在到达下游之前，因chat template与function-calling parser的错配而被静默丢弃的现象。这会导致评测分数无法真实反映模型能力。
论文中的2x2实验揭示了什么机制？
2x2实验（chat template有无 × parser有无）显示两个主效应为零，所有效应集中在交互项。这意味着单独修改模板或解析器都无效，只有两者匹配才能正确解析调用。
接口错配对agentic RL训练有什么影响？
接口错配会导致零调用、零执行、零观测，从而静默抽干训练信号，影响强化学习的效果。在verl框架的AgentLoop中，7B模型有45条完整调用但全部被丢弃，导致无训练信号。
修复接口配置能提升模型能力吗？
不能。修复接口只能恢复测量准确性，使分数不再虚低，但不会带来模型能力的提升。实验中pass rate从53到62，统计上不显著。
论文提供了什么工具来帮助检测接口错配？
论文发布了98行的preflight检查，可以捕获文中所有静默失败，帮助团队在运行agent评测或agentic RL前快速自查模板与parser是否配对。
