大模型全文深读与原图讲解

MICA／DART：能力相同，工具接口仍会改变策略

修复调用表达前，先把语义动作与表面语法分开

香港理工大学、中科院计算所预印本首发 · 近30日补收 2026.10.25

代码公开 · MIT

IN A NUTSHELL

MICA把相同操作分别渲染为结构化工具调用和命令行，再统一验证执行，研究接口如何改变智能体行为。DART在失败后先建立经验证的语义承诺，再限制后续修复只改表达。它不证明MCP或CLI在所有场景中更优。

图解主要方法

修复调用表达前，先把语义动作与表面语法分开

1
建立共同动作契约
把操作名、完整类型化参数、当前可用取值与原生执行绑定组成契约。两种接口解码后进入同一个验证器、编译器和环境；CLI是受控命令集合，不是拥有任意shell能力的另一套系统。
2
拆开局部作用与轨迹传播
在338个固定来源状态中交换能力说明、输出表达、反馈三部分，形成8种组合，每种抽样8次，共21632条回答；另对2004组成对自然轨迹找首次有实际后果的分歧。分歧后的状态与历史不同，不能继续当作逐步固定条件实验。
3
失败后重新承诺，再修表达
只在可重试且环境确认未变时触发。同一模型先选一个合法规范动作，再生成指定接口表达；契约身份、操作和每个参数必须一致。首次表达失败最多再修一次；契约变化、动作失效或预算不足就回到普通重试。失败文本本身不被当成已知真实意图。

已阅读正文与方法、实验相关附录，核对实验条件与原图；未独立复现。

来源证据Qwen3-14B在ALFWorld上CLI得56.7、MCP20.1；WebShop上CLI59.5、MCP64.4。每模型134个ALFWorld、100个WebShop、100个ScienceWorld任务。表1：6模型×3环境 ↗

我的解读接口效果随模型和任务反转。ALFWorld是成功率，后两者为原生奖励/得分，不能全叫任务成功率。

来源证据自然运行温度0，探针温度0.6；输入上限24576、输出16384，各环境固定动作/决策/调用预算。94.3%的配对轨迹出现结构性分歧。附录B：预算与轨迹 ↗

我的解读高分歧率说明表示能改变策略，不等于94.3%的任务失败；成本包含输入、输出及重试调用。

来源证据仅Gemini-2.5-Flash的6个环境接口组合测试DART，得分增加0.8–9.0点；MCP每任务少用4.3k–27.1k token，CLI在两环境反而增成本。图4与附录D：DART ↗

我的解读不能把干预结果推广到六个模型。真正进入保持承诺的二次纠正机会只有4次、成功3次，尚不足单独证明纠正分支贡献；ScienceWorld须与协议匹配Base比较。

已检查作者MICA仓库的src、scripts、configs、说明与MIT许可证，研究代码公开；使用外部基准及模型服务，不是另行发布模型权重。本次未运行基准复现。

LICENSE作者版权；arXiv非独占托管许可；仓库代码MIT

独立分析 · 未复现实验

共同语义契约控制了工具能力混杂，提供了区分动作选择与格式错误的可复用诊断方法。

基准命令受限，不能直接代表生产MCP服务器或自由终端。DART多一次语义选择本身可能影响结果，保持承诺的修复样本很少。

优先借鉴实验设计与错误边界；部署前需在自己的任务上验证收益和总成本，避免按接口标签选型。

未执行的验证方案：固定模型、工具权限、提示及预算，对真实只读任务做配对测试；增加只有语义重选、只修格式和完整DART消融，并统计参数保持率、错误执行率与调用成本。