TwinCheck: Evidence-Grounded Negative-Twin Verification for Stateful Tool Agents

论文针对局部合理、全局会拖垮状态的工具调用，生成 trace-grounded negative twin，并要求结构检查与两种候选顺序下的验证器偏好一致才替换。159 个 BFCL V4 多轮任务中，GPT-5.6 Sol 成功率由 45.3% 变为 58.5%，95% bootstrap 区间为 8.2 - 18.8 个百分点；exact replay 还隔离了干预效果与重新采样噪声。它把“改哪一步”变成受约束比较问题，便于做可复现实验。