一分钟读论文：《同一份权重，换个接口就从不会调工具变成 0.96 分》

香港城市大学（City University of Hong Kong）的论文《Interface-Induced Trajectory Censoring》（arXiv:2609.03966，2026 年 9 月 3 日提交，单作者 Wenbo Wang）给出一个测量有效性层面的结论：Agent 评测里读到的工具调用率，不是模型单方面的属性，而是「模型加 serving 接口栈」这个整体的属性。所谓接口审查（interface censoring），指模型的调用在下游看到任何东西之前，就被 chat template 与 function-calling parser 的错配静默丢弃。上一篇《跑通测试的补丁，三成过不了人类 review 这一关》说的是智能体产出合不合格，这一篇更进一层：你看到的基准数字本身，可能连「它会不会调工具」都没测准。

只换接口，分数横跨整个量程

主实验约束极严：跑在 BFCL v4 官方数据上，executor 与 scorer 均为官方实现，权重、case、解码参数与随机种子全部固定，唯一变量是 serving adapter——即模型外面那层 chat template 与 parser 的配对配置。结果同一份模型在 simple_python 子集上得 0.00 或 0.96，multi_turn_base 上是 0.19。模型自始至终在发出格式正确的调用，是接口在服务器侧把它们全部吞掉了。作者自建探针复现了这个漏斗，覆盖 Qwen2.5-Coder 五个 checkpoint、21 倍的参数规模跨度：服务器解析率在每个规模都是 0/100，而模型发出的格式正确调用随规模上升，32B 处达到 80/100（对照第三方裁定金标准校准后约 72）。在 tau-bench 的 115 个交互式 retail 任务上，同一次 swap 让服务器解析出的调用从 0 到 636，触达任何工具执行的任务数从 0 到 103。需要强调边界：这是 BFCL v4 与 tau-bench 上被精确复现的接口层失效，论文并未断言所有基准的分数都不可信。

机制定位：两个主效应恰为零，全部效应在交互项

论文最有方法论价值的一步是一个 2x2 实验：chat template 有无，乘以 parser 有无。结果是两个主效应恰为零，全部效应落在交互项。翻译成工程语言：没有任何单个组件是坏的——单独加或减任一侧都观察不到差异；但当契约两侧不匹配时，只修其中一侧毫无用处。配套的预注册反事实同样干净：在接口契约对齐的匹配条件下，静默比例保持在 0-2，这条预测在跑实验之前就已写进开源仓库。还有一个更小的例子说明错配多么琐碎可解：Llama-3.1-8B 有 23% 概率把任务函数本身当工具调用，加上一个 strict: true 标志后归零。

训练回路里的零观测，和修不好的一半

错配的代价不止于评测读数，还会顺着 agentic RL 的训练回路放大：零调用意味着零执行、零观测，训练信号被静默抽干。论文限定在 verl 框架的 AgentLoop 中实测，且两个规模分开报告——7B 处 115 条生成中 45 条携带完整调用，被接受 0、执行 0、返回观测 0；1.5B 处同一个零是过决定的（模型本身也发不出足够调用），因此不能归因于接口单一来源。本文最诚实的转折在最后：评测期修复 adapter 能恢复机制，却没有显著的结果收益——解析量从 0 到 84、多轮挽救从 0 到 9，但 pass rate 只是从 53 到 62，统计上不显著。修好测量不等于修好能力：接口曾经压低的分数是虚低的，把它释放出来也不会白得一段更强的模型。作者配套发布了 98 行的 preflight 检查，可捕获文中所有静默失败，任何跑 agent 评测或 agentic RL 的团队都能在接入前几秒钟内自查模板与 parser 是否配对。

References

• Interface-Induced Trajectory Censoring
• 上一期：跑通测试的补丁，三成过不了人类 review 这一关