MAVEN：提升智能体工具调用的泛化能力

跨智能体工具调用环境的泛化仍是可靠智能体推理系统的核心挑战。尽管大语言模型在单个基准上取得强劲结果，它们组合推理策略、保持中间状态以及跨领域协调工具的能力仍未被充分探索。我们提出MAVEN（Modular Agentic Verification and Execution Network，模块化智能体验证与执行网络），一个用于结构化分解、自适应工具编排与中间验证的轻量符号推理脚手架。我们在成熟的工具调用基准上评估MAVEN，包括BFCL v3、TauBench、Tau2Bench与AceBench，并引入MAVEN-Bench——一个针对多步数学与物理推理的压力测试基准，具有显式验证与对抗性任务组合。MAVEN-Bench揭示出局部推理质量与端到端任务成功之间的显著差距；在直接的MAVEN-Bench运行中，MAVEN无需额外训练便将其GPT-OSS-120b基础模型从48%提升到71%准确率。同时，它在使用估计成本比约1/10的开源权重骨干的情况下，仍与前沿专有基线保持竞争力，这表明轻量级、以验证为中心的脚手架能够强化组合推理，并推动对真实环境中智能体更具过程感知的评估。