原始来源：Linhai Ma 等 · arXiv
发现渠道：Hugging Face Daily Papers
论文发现，工具调用裁判对显式出现在输入里的值更宽容，对需推导、来自默认值或被截掉历史的正确参数更容易拒绝。DeRef 让独立的参考生成步骤读取完整历史与函数定义，不看候选值，先写预期参数及出处，再交给原裁判。三个基准上的主实验改善了区分能力；作者同时保留多解标签、参考错误和额外生成步骤的限制。
可信度 65 · 重要性 79 · 新颖度 76
技术与主题
Agent 系统 · 评测与基准 · Tool Calling · LLM-as-Judge · Reference Generation
编辑评读
一个参数在对话中出现过，与它适合当前工具调用，并不是同一件事。检查车辆ID时，早先搜索里出现的另一个ID可能看起来证据齐全，却对应错误租赁对象。参考生成先不接触候选，是为了让检查起点不被待检查答案牵着走。
这项改动值得试，也应和“直接把完整历史交给裁判”比较。若主要收益只是把被截掉的内容补回来，团队未必需要永久增加角色；如果关键在于把默认值与规则推导清楚，单纯加长输入又可能不够。两种解释对应不同的工程改动，不能只看最后AUROC上升就合在一起。
我会给参考保留出处、版本和“不唯一”的表达，再用错误参考去测试裁判会不会照单全收。尤其不要把匹配一个gold值当作业务正确性的全部定义：不同日期表示法、等价筛选条件或多个可订方案，都可能合法。该论文提供的是参数判别方法，不能顺带证明每次真实执行都安全。
需要留意
- FCRB错误标签未另作独立人工审计；单一gold可能误拒其他有效值。