arxiv.org·2026/10/21·Ge Qu / Jinyang Li 等
论文面向语言代理在可变数据库中修复 SQL 错误的任务,指出 tool-centric RL 为每个 rollout 配置独立容器会造成空间浪费,直接复用副本又会引发状态泄漏和轨迹污染。BIRD-RL 用推理模仿、工具使用模仿、自适应推理强化和交互式 agentic RL 的渐进课程训练代理,并以 Trajectory-scoped Persistent Execution Infrastructure 通过稳定轨迹标识、注册表、延迟释放与脏感知懒重置绑定副本。作者在 BIRD-CRITIC-SQLite 上报告在线数据库生命周期 I/O 降低 12.8×,Bird-Talon 取得 44.40% 与 48.00% 成功率,接近 Claude-Opus-4.6 Agent 的 48.20%;Bird-Zeno 则兼顾调试与生成,代码开源。消融显示纯执行奖励优于代理奖励;作者也指出任务未解决、启发式奖励易被 hack,负载不均需预分配池。
为什么重要 container-per-rollout 在有状态 DB 任务上扩展不动;轨迹级隔离方案可直接搬进你的 VERL 训练管线适合 做 agentic RL 基础设施、text-to-SQL 与私有化 SLM agent 的工程师与研究者
虽然智能体强化学习(RL)已成为训练小型语言模型(SLM)的一种有前景范式,但现有框架主要以工具为中心,难以应对以数据为中心的环境。具体而言,将工具中心框架应用于 SQL 调试等有状态任务会带来严重的空间低效,因为适当的环境隔离通常需要为每次 rollout 单独使用一个数据库容器。朴素地复用数据库而不跟踪多轮交互中不断演化的状态,会导致轨迹污染和跨轨迹干扰,从而严重破坏策略更新的稳定性。
为克服这些瓶颈,我们提出 BIRD-RL,一种新颖的四阶段智能体 RL 课程,交替增强基础智能体推理能力和轨迹自适应在线策略探索,以规避直接端到端学习固有的不稳定性。关键的是,为支持该课程,BIRD-RL 由一种轨迹范围的持久执行基础设施驱动,该基础设施在保持轨迹隔离的同时实现安全的数据库副本复用。该设计将空间 RL 效率提升了 12.8x,成功为复杂数据为中心任务实现可扩展的智能体 RL,且无需 Kubernettes。
在 BIRD-CRITIC-SQLite 基准上的实证评估表明,我们的 7B 和 14B 模型分别达到 44.40% 和 48.00% 的成功率,与 Claude-Opus-4.6 Agent(48.20%)等强大的专有模型智能体相比具有竞争力。此外,BIRD-RL 成功训练了具备高级 SQL 调试与生成能力的统一 SLM,突显其在异构现实世界数据为中心任务中多目标优化的更广泛潜力。
While agentic reinforcement learning (RL) has emerged as a promising paradigm for training small language models (SLMs), existing frameworks are predominantly tool-centric and struggle with data-centric environments.
Specifically, applying tool-centric frameworks to stateful tasks like SQL debugging introduces severe spatial inefficiencies since proper environment isolation typically requires a separate database container per rollout.
Naively reusing databases without tracking evolving states across multi-turn interactions causes trajectory contamination and cross-trajectory interference, which severely destabilizes policy updates.
To overcome these bottlenecks, we introduce BIRD-RL, a novel four-stage agentic RL curriculum that alternately enhances foundational agent reasoning and trajectory-adaptive on-policy exploration to circumvent the instability inherently associated with direct end-to-end learning.
Crucially, to support this curriculum, BIRD-RL is driven by a Trajectory-scoped Persistent Execution Infrastructure, which enables safe database replica reuse while preserving trajectory isolation.
This design improves spatial RL efficiency by 12.8x, successfully enabling scalable agentic RL for complex data-centric tasks without needs of Kubernettes.
Empirical evaluations on the BIRD-CRITIC-SQLite benchmark demonstrate that our 7B and 14B models achieve Success Rates of 44.40% and 48.00%, respectively, showing competitive performance against strong proprietary model-based agents such as Claude-Opus-4.6 Agent (48.20%).
Furthermore, BIRD-RL successfully trains unified SLMs capable of both advanced SQL debugging and generation, highlighting its broader potential for multi-objective optimization across heterogeneous, real-world data-centric tasks.
注释 · 多轮 agent 推理较单轮平均仅再涨 3.87%,加粗为本文模型出自 表 1、表 2
I/O 降幅
2.94 TiB → 236 GiB
在线 I/O
动态复用池实测值
Talon-14B
SQLite 调试 SR
7B 提分
基座 26.20 起步
写库轨迹
实际触发 DB reset
注释 · SQLite 负载实测,batch 16、rollout 16;池离线成本 69 GiB出自 表 3、§5.3



EVIDENCE / METHODS
流程
两段 SFT 锚定推理与工具,两段 GRPO 解锁自适应探索
单轮 SFT 学 (thought, SQL);Claude-Sonnet-4.5 蒸馏 4,982 条,仅保留能由 thought 重新生成且通过全部测试用例的样本
术语解释把可执行 SQL 语句本身当作 agent 动作的脚手架 轨迹 SFT,动作只有 execute_sql 与 submit_solution;术语解释用修正查询引导教师模型生成成功轨迹的数据增广策略 增广得 4,502 条轨迹
GRPO 单轮采样一组候选,奖励为通过测试用例的比例;参考策略取 Stage 2 策略
GRPO 作用到整条轨迹,奖励只给最终解且无过程奖励;参考策略取 Stage 3 策略,规模化由副本池基础设施支撑
注释 · 逐级课程化解耦技能,避开端到端 RL 的不稳定出自 §3.1–3.4
原版排版与图表 · 手机无法内嵌时可在浏览器打开。PDF 插件内选文不能传给网页助手。