ToolRACER：面向智能体训练与评测的稳健对话模拟资源

面向任务的会话Agent在现实世界的会话场景中仍然脆弱，因为它们很少遵循可预测的脚本，特别是当用户表现出不合作行为时。现有的函数调用基准通常强调成功的合作交互，而低估了对抗性对话轨迹，从而限制了可用于开发强大Agent的培训资源。我们提出了 ToolRACER，这是一种合成数据生成管道，可协调用户、助手和工具仿真模型，以生成并验证用户和Agent之间的多轮交互。使用 \sysn，我们构建了 ToolRACERBench 一个强大的多回合对话基准，涵盖六个领域，涵盖超过 55 个不同的角色，生成经过验证的 5.6K 对话轨迹语料库，其中大约 66% 的对话包含容易失败的对话场景。我们注入对抗性行为，生成经过验证的对话交互轨迹，捕捉真实、稳健的场景。我们根据内部基准以及函数调用基准（例如 $τ^2$-bench、BFCLv3 和 ACEBench）评估在 ToolRACERBench 上训练的模型，以评估 Agentic 的准确性和鲁棒性。在 ToolRACERBench 上训练的模型提高了 $τ^2$-bench 和 ACEBench 上的端到端 Agentic 准确性，证明了与小语言模型中的域内数据集混合用于Agent能力任务时的显着收益。