EASYTOOL：利用简明工具指导增强 LLM 型智能体

Jan, 2024

EASYTOOL：利用简明工具指导增强 LLM 型智能体

EASYTOOL: Enhancing LLM-based Agents with Concise Tool Instruction

Siyu Yuan, Kaitao Song, Jiangjie Chen, Xu Tan, Yongliang Shen...

TL;DR为了解决大语言模型在使用工具时面临的多样性和冗长工具文档的问题，本研究引入了 EASYTOOL 框架，将不同来源的多样化和冗长的工具文档转化为统一且简明的工具指南，以提供标准化的工具描述和功能，并通过在多个不同任务上的广泛实验验证了 EasyTool 能够显著减少令牌消耗并提高实际场景中工具利用性能。

Abstract

To address intricate real-world tasks, there has been a rising interest in tool utilization in applications of large language models (LLMs). To develop LLM-based agents, it usually requires LLMs to understand man

large language models tool utilization tool documentation easytool tool instruction

发现论文，激发创造

Tool-LMM：一个用于工具智能学习的大型多模态模型

通过使用多模态编码器将开源大语言模型（LLM）与多模态输入指令结合起来，我们提出了 Tool-LMM 系统，使学习的 LLMs 能够意识到多模态输入指令并正确选择匹配功能的工具，实验证明我们的 LMM 能够为多模态指令推荐适当的工具。

Jan, 2024

ToolLLM: 促进大型语言模型掌握 16000 + 现实世界 API

通过引入 ToolLLM，一个包括数据构建、模型训练和评估的通用工具使用框架，我们展示了它在增强自然语言模型的规划和推理能力方面的显著影响。我们通过用 ChatGPT 创建一个工具使用指导数据集 ToolBench，并使用深度优先搜索决策树（DFSDT）扩展搜索空间，有效地获取有效的解决方案路径。通过对 LLaMA 进行微调后得到 ToolLLaMA，我们的评估器 ToolEval 显示 ToolLLaMA 在执行复杂指令和推广到未见过的 API 方面表现出卓越的能力，并与 ChatGPT 有着相当的性能。为了使流程更加实用，我们设计了一个神经 API 检索器以为每个指令推荐适当的 API，省去了手动选择 API 的繁琐步骤。

Jul, 2023

基于 LLM 的中间件：工具在复杂环境中对语言代理很重要

本研究探讨了利用工具增强大规模语言模型在处理复杂环境中的潜力，并通过在知识库和数据库等复杂环境中的实证来展示这种潜力。结果表明，配备这些工具的 GPT-4 在需要访问数据库内容的任务中性能提高了 2.8 倍，在知识库任务中提高了 2.2 倍。这些发现为在复杂实际应用中推进语言模型的发展指明了方向。

Feb, 2024

通过合作和互动代理学习使用工具

利用工具学习来增强大型语言模型作为代理人使用外部工具来扩展其能力。我们提出了合作互动的代理人（ConAgents）框架，将工具学习的工作流程模块化为基础，执行和观察代理人，并引入迭代校准（IterCali）方法，以适应工具环境的反馈。实验证明我们的 ConAgents 框架在三个数据集上优于 SOTA 基准，同时我们还提供了对框架的效率和一致性的细粒度分析。

Mar, 2024

元工具基准：决定是否使用工具以及选择哪个工具

本文提出了 MetaTool，这是一个用于评估大型语言模型（LLMs）的工具使用意识和正确选择工具能力的基准测试，并通过实验证明大多数 LLMs 在工具选择方面仍然存在困难。

Oct, 2023

计划、创建、使用：实际复杂场景中综合工具利用的 LLM 基准测试

通过 UltraTool，我们提供了一个新的基准来改进和评估大型语言模型在实际场景中利用工具的能力，重点关注从规划、创建到应用工具的整个过程，并强调了真实世界的复杂性，需要准确的多步规划来解决问题，从而为这个快速发展的领域提供了新的见解。

Jan, 2024

Conveyor：具备工具部分执行的高效工具感知 LLM 服务

通过与外部工具调用的集成，我们确定了一个新的机会来有效地为触发工具的请求提供 LLM 服务：在 LLM 解码过程中进行工具的部分执行。我们设计了 Conveyor，一种专门用于处理涉及外部工具的请求的高效 LLM 服务系统。我们引入了一种面向工具开发人员的新颖界面，以向 LLM 服务系统暴露部分执行的机会，并提供了一个请求调度程序来促进工具的部分执行。我们的结果表明，部分执行可以将请求完成的延迟缩短高达 38.8%。

May, 2024

ToolNet: 通过工具图连接大型语言模型与强大工具

ToolNet 是一个可拔插的框架，通过将工具组织成有向图的方式，使大语言模型能够处理成千上万个工具，并通过迭代选择来解决问题，从而在具有挑战性的多跳工具学习数据集中取得显著结果，并且具有工具故障的弹性。

Feb, 2024

小型 LLM 是弱工具学习者：多 LLM 代理

我们提出了一个模块化的多语言模型框架，将大型语言模型能力分解为规划器、调用器和摘要生成器，并通过两阶段训练范式有效地训练该框架，该框架在各种工具使用基准测试中表现出超越传统单语言模型方法的效果，凸显了其在工具学习中的功效和优势。

Jan, 2024

大型语言模型作为工具制造者

该研究提出了一种基于大型语言模型 (LLMs) 的闭环框架 LLMs As Tool Makers (LATM)，通过该框架，LLMs 可以自己创建可重用的工具以解决问题，并验证了该方法在包括 Big-Bench 任务在内的复杂推理任务中的有效性，使用 GPT-4 作为工具制造者和 GPT-3.5 作为工具用户，LATM 的性能与使用 GPT-4 制造和使用工具的性能相当，而推理成本显著降低。

May, 2023