System Prompt and Format Reward inconsistent in stage 1

[RayquazaX]

1.1 thinking vs think
Parquet 训练数据（data/bfcl_train_base.parquet、data/bfcl_val.parquet）中全部 200 条 system prompt 使用 thinking /thinking 作为 XML 标签，但以下两处代码只匹配 think /think：

• env_tuning/interaction/utils.py:46 — parse_model_response() 正则 think ... /think， 不匹配 thinking
• env_tuning/interaction/execution_manager.py:110 — format_execution_response() 中 user_hint 使用 think /think

影响：模型按 system prompt 输出 thinking，parser 只匹配 think，所有输出在第一步即被判定格式错误（score = -3）

1.2 answer 标签未在 system prompt 中定义
System prompt 对不需要工具调用的情况指示为：

• "If no tool calls are necessary or possible: Directly provide a user-facing response in plain text."

但 env_tuning/interaction/utils.py:85-89 的 parse_model_response() 要求必须用 answer.../answer 包裹最终回答，否则返回格式错误。answer 仅在env_tuning/interaction/execution_manager.py:110-112 的 user_hint 中后续引入，模型在初始 turn 无从得知需要使用该标签。

[IcyFish332]

感谢指出，这里上传的数据主要是后续针对 Qwen-4B-Instruct-2507 的版本，这个model在不经过 SFT 的情况下直接 RL 的话无法输出 <think> tag，因此只能在system prompt中规定，此处对应修改成thinking的正则即可（同理，训练其他可正常输出的model的话就把数据中的规定的格式换成 <think>）。

第二个有关answer标签的内容同理也可以加上，影响不太大，只要规则统一即可。

由于 verl 老版本训练问题较多，我们已经在内部适配了slime并在下一个版本更新中加上数据制作脚本以及有关 reasoning parser & tool call parser 的设计，到时候针对不同模型的训练就会方便许多，可以期待一下。