Critical-State RLは結果を変えるツール呼び出しだけを学習する
DAIR.AIは、後の報酬を変える行動にあたるマルチターンのツール呼び出しを切り分け、その呼び出しだけを更新するSalesforce AI Researchの手法を説明している。BFCL v4のmissing-functionタスクでは、選んだターンを学習すると約14ポイント上がる。
#tool-use
すべてのAIニュースを見るOpenRouter：Opus 5からの移行は適応型のみの思考、強制ツール使用の廃止、20%の価格引き下げを意味する
OpenRouterは、Opus 5から移行する開発者向けにこの3つの違いを挙げており、移行ガイドでは変更点とプロンプトの更新方法を説明している。