超越下一个令牌预测：Atlassian 工作流上工具使用代理的 RLVR 概念证明

arXiv:2607.01465v1 Announce Type: new Abstract: Large language models are trained to predict the next token, not to act inside a specific API. In niche enterprise SaaS workflows -- where success means hitting the right endpoint with the right nested arguments in the right order -- this objective mismatch shows up as silent failures: dropped required fields, hallucinated tools, or early stops after a single read.我们询问直接应用于目标环境的强化学习与可验证奖励（RLVR）是否可以缩小差距。作为概念验证，我们构建了一套包含五个合成环境的套件，以模式保真度模拟 Jira REST v3 和 Confluence v2 API；奖励完全根据工具调用跟踪计算，没有实时 API，没有学习判断，循环中没有人工标签。评分促使 Qwen3-1.7B 和 Qwen3.5-4B 在驱动 GRPO 训练的相同检查器上进行，我们发现，在奖励非退化的四种场景中，RL 训练的策略将平均奖励从 4B 基线范围 0.35--0.92 提升到 0.95--1.00，在 Confluence 页面创建方面获得最大的单一收益（$0.35 \rightarrow） 1.00 美元）。我们将其定位为利基企业 API 的结果优化小型模型的初步步骤，并强调了研讨会读者应该权衡的两个限制：手工制作可验证的奖励不会超出此处报告的少数端点，并且我们的五个场景之一（票证转换）具有饱和奖励形状，提示 4B 已经达到最大值。