DeLoop：用重复动作做自监督，减少长程智能体的工具调用循环

DeLoop 是一种自监督偏好优化方法，利用语言模型智能体自身的 rollout 减少重复的工具调用循环。它把循环动作作为负例、同一 rollout 中之后第一个非循环动作作为正例，通过直接偏好优化学习，不需要任务奖励、标准答案或 LLM 评判。