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。
持续追踪
持续追踪
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。