Trajectory2Gym：成功轨迹里，哪些动作值得模仿？
把可见证据、执行结果和工作流顺序分别纳入训练目标筛选
工具任务最终成功，不代表中间每个动作都有合理依据。Trajectory2Gym 从缺少覆盖的交互路径生成可执行任务，只监督能够从学生当时可见信息推导的动作，再按整条交互而非拆分行数分配训练权重；用普通 SFT 改善多轮工具使用。
图解主要方法
把可见证据、执行结果和工作流顺序分别纳入训练目标筛选
- 1
图2左上：先补交互结构的缺口
把查询、错误、澄清、恢复和状态改变映射为共享能力词汇，形成有顺序的路径。生成器围绕支持不足的路径构造请求与初始状态，再由教师在真实工具环境执行。只有日志里确实发生的依赖才计入覆盖，不能把生成器计划经历的失败直接当作恢复训练样本。
- 2
图2左下：成功之外，再查证据和顺序
每个动作要同时满足原生执行有效、工具与标识符在此前可见、整体任务成功及必要操作顺序正确。教师私有提示不能进入学生上下文；失败调用与真实错误响应保留为上下文，但不给失败动作模仿损失。这个检查证明的是有限的来源与顺序约束，不是所有动作都能被唯一推导。
- 3
图2右上：按路径分配重复支持
先保留核心样本和每个任务的完成示例，再填补能力与路径空白，最后增加未达到目标深度的路径。1.7B至30B模型采用不同支持深度和11,583至19,937条轨迹；因此跨模型的提升混合了模型规模与训练集合变化。覆盖与重复次数是两个控制量。
- 4
图2右下：整条交互获得相同权重
一条轨迹拆成多行训练样本时，逐行平均会让拆得更多的轨迹权重更大。方法先在父轨迹内部按有效目标token归一化，再对父轨迹平均；只训练通过认证的assistant目标。固定目标与条件前缀时，改变拆分方式不改变目标函数，但不保证有限训练过程完全相同。
实验与证据
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Qwen3-8B用一轮全参数SFT后，Tau2由25.00升至74.17，BFCL总体由67.30升至78.62；Tau2共100任务，BFCL共1,718例，每任务运行一次。 表1–2、附录A：配对评测 ↗
我的解读支持该整套数据配方改善状态型交互；不是与外部RL模型等算力、等数据的因果比较。
来源证据父轨迹归一化在相同轨迹、掩码、样本顺序下将三基准均分59.94提高至67.97；结构选择在相同父轨迹数与目标token预算下多覆盖942条路径，均分增加2.32点。 表3、附录F：拆开看组件 ↗
我的解读前一个对照更接近单因素；各消融在不同阶段进行，收益不可相加。目标扩增实验未匹配token总量。
来源证据BFCL Live Simple在五个规模中四个下降；8B支持深度2/3/4的均分为72.28/70.55/69.44。Tau1 Airline使用公开50任务身份生成训练交互，再评新对话。 表2、4与附录A.2：反例与泄漏边界 ↗
我的解读更多重复支持不保证更好；航空结果属于见过任务的传导式设置，不能包装为任务完全隔离泛化。
开放情况与使用许可
已核对论文全文及附录A–G；论文提供构造细节，但本次未找到可验证的官方实现或权重下载入口，不能按已开源计。
LICENSE作者版权；arXiv非独占托管许可
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
我的判断：对数据工程最有用的改变，是把“成功日志”变成可审计的动作级监督。能解释为什么同样的轨迹数量、甚至相同目标token数，学习效果仍不同。
反方 · 哪些结论还不够
路径编码和认证规则可能漏掉语义依赖；单次运行、部分很小的领域测试令数点增益不稳定。Tau1航空见过任务，外部模型训练预算不同；没有证明可直接推广到开放网页或终端智能体。
综合判断
适合在有可重放工具与状态检查器的客服、交易工作流试验；证据支持数据配方，尚不支持普遍优于强化学习的结论。
我会先做的验证
未执行的验证方案：固定任务隔离划分、教师轨迹及目标token预算，交叉比较有无证据筛选和父轨迹归一化，运行至少3种种子；分别统计恢复成功、未授权参数和单轮调用退步。