通过大语言模型的推理能力，本研究提出了一种新颖的工具 oolname，可以基于自然语言提供的应用场景自动选择和评估模型，并通过将问题描述中的约束和权衡因素整合到模型选择过程中来实现资源高效的实验引擎。初步评估结果表明，与临时评估和蛮力方法相比， oolname 是高效和准确的。这项工作是朝着能帮助减少对具有机器学习功能的软件日益增长需求所引起的环境影响的能源高效工具迈出的一步。

Jan, 2024

从 ASLib 中的六个数据集中评估了三种方法：基于预测不确定性的主动学习、使用超时预测器增强算法预测器以及使用逐步增加超时的方式收集训练数据，并展示了每个选项所实现的标记成本的降低。

May, 2024

通过 Virtual Tools 游戏，建立了 Sample, Simulate, Update (SSUP) 模型，探究人类灵活解决物理问题的能力，揭示人类将一般物理知识转化为特定任务的行动计划的机制。

Jul, 2019

通过生成模型学习工具使用轨迹和对应工具位姿的序列，以实现对变形物体的操纵，进而提高自治系统在常见任务（如烹饪和清洁）中的智能水平。

Sep, 2023

该研究论文提出了一种全自动、协作的基于代理机制的方法，用于选择分布式组织的机器学习算法并同时调整其超参数，以实现扩展性、灵活性和鲁棒性。通过理论评估、形式验证和分析研究，证明了该技术的正确性、资源利用和计算效率。在对 24 种算法和 9 个数据集进行实验的基础上，提供了具体示例来展示所提出的方法在不同算法选项和数据集上的有效适应性和性能表现。

Sep, 2023

利用上下文调整的检索增强生成模型可以通过智能上下文检索系统获取相关信息，从而提高工具检索和计划生成的准确性。其中，语义搜索在不完整或缺乏上下文的情况下容易失效。经验证明，上下文调整显著提高了语义搜索的性能，并且对于上下文检索和工具检索任务分别实现了 3.5 倍和 1.5 倍的提升，同时使基于 LLM 的计划生成的准确性增加了 11.6％。此外，在使用倒数排名融合（RRF）和 LambdaMART 的轻量级模型时，还观察到了计划生成阶段的上下文增强可以减少虚构现象。

Dec, 2023

本文提出了一种应对预算约束的工具学习的新方法，通过在利用工具之前创建一个在预算约束下可行的计划，给出了大规模语言模型中工具学习过程的全面概述，从更广泛的角度来分配预算。该方法主要涉及创建一个可行的计划和指定候选工具的最大使用次数，将过去的经验用于候选工具的有效性估计，并通过动态规划来制定计划。实验结果表明，我们的方法可以与各种工具学习方法相结合，在严格的预算约束下显著提高其效果。

Feb, 2024

提出一种基于神经网络的模型 ToolNet，可通过人类示范学习常识知识，使机器人具有了适应新场景使用未知工具的能力，并结合常识知识仓库来预测最佳工具，结果表明该模型的正确率和普适性较传统图神经网络有明显提高。

Jun, 2020

通过调整模拟退火算法的参数，生成鉴别不同算法的轨迹数据，用于机器学习模型的选择和性能预测，相比于原始轨迹数据和探索性景观特征，能够显著提高性能指标。

Apr, 2024

通过对不同策略的系统和公平比较，本研究发现强大的无工具基准线策略与工具辅助策略竞争力相当，暗示有效地使用具有上下文演示的工具仍是一个困难的未解决问题；对于知识检索任务，使用工具对错误输出进行改进的策略优于提前或在生成过程中检索相关信息的策略；使用工具的策略在需要工作的标记数量上是昂贵的，造成了显著的性能改善，但这并不意味着将其转化为实质性的性能提升。总之，我们的研究结果表明，少样本工具集成仍然是一个待解决的挑战，强调了对未来策略的全面评估来准确评估其效益和成本的需求。

Oct, 2023