TurnSight 用工具執行結果回看每一回合，Qwen3-8B 三項評測平均升至 42.02

工具代理的強化學習常只在任務結束後取得一個獎勵，再把相近的 advantage 指派給整條軌跡。這會掩蓋關鍵差異：代理可能選對第一個工具，卻在下一回合傳錯參數；最終失敗並不表示每一步都同樣錯。TurnSight 將 credit assignment 的單位改成完整互動回合，包括推理文字、工具選擇與 JSON 參數。

訓練時，學生模型先照常產生軌跡。凍結的參考模型再取得學生實際遇到的工具回傳，分別以前看一、二、三個回合的「事後視角」重新計算既有 token 的機率。系統將 token 差值聚合成回合分數，先以三個視角的方向多數決排除互相衝突的訊號，再挑選同方向中最強的證據。該分數會在同一提示的多條 rollout 間正規化，經有界 tanh 權重調整 GRPO advantage 的幅度，但不反轉原本的更新方向。

作者以約 2,000 個 FTRL 可驗證工具題訓練 Qwen3-4B 與 8B，並在 FTRL、BFCL、ToolHop 評測。8B 版本的跨表平均由未訓練基線 31.60、GRPO 的 30.93，升至 42.02；4B 版本則達 37.51，高於 MatchTIR 的 34.76。程式庫已提供 VeRL 擴充、Parquet 資料、評測腳本與兩種模型檢查點。

限制是所有數字仍由作者單一實驗管線產生，三套評測的子指標尺度也不完全相同，跨表平均只能視為摘要。多個前看教師還會增加訓練時計算量。後續值得驗證的是：在含網路延遲、非決定性 API 與不可重播工具的生產代理中，執行結果能否穩定充當事後教師，以及改善是否延伸至更長、更開放的任務。