Sakhanda Wire
NVDA $153.64 -1.60% MSFT $506.98 -2.13% GOOGL $279.95 -1.33% META $620.09 -1.01% AMZN $256.57 -0.46%
← До новин

ToolGrad досяг 99,8% успішності у створенні даних для інструментів

Дослідники з Google, Токійського університету, RIKEN AIP та університету Тохоку представили ToolGrad — фреймворк, що змінює типовий порядок підготовки даних для навчання моделей користуватися інструментами. Система спочатку виконує API-виклики та будує перевірений ланцюжок, а вже потім генерує відповідний запит користувача й відповідь. У поширеному підході запит створюють першим, після чого агент намагається знайти потрібну послідовність дій.

ToolGrad поєднує чотири модулі в повторюваному циклі: API Proposer пропонує можливі наступні виклики, Executors запускають їх, Selector обирає найкращий результат, а LLM Updater переписує синтетичні запит і відповідь. Стандартна конфігурація виконує 10 ітерацій із 50 відібраними API для кожного робочого процесу. На базі ToolBench, яка містить понад 16 000 API, заявлений показник успішності зріс із 63,8% для пошуку в глибину до 99,8%. Середня кількість фактично використаних інструментів збільшилася з 2,1 до 3,4, тоді як кількість кроків роботи з інструментами зменшилася з 34,3 до 20,0.

Автори створили набір ToolGrad-500 із 500 прикладів за допомогою Gemini 2.5 Flash-Lite та донавчили Gemma-3 із 1B, 4B і 12B параметрами. У Berkeley Function Calling Leaderboard модель ToolGrad-12B набрала 83,1 бала проти 83,2 у Gemini 2.5 Pro. Опубліковані результати Claude 4.5 Opus і GPT-5 становили 82,8 та 74,4 відповідно. Код, набір даних і моделі доступні на умовах, визначених розробниками.

Текст підготовлено ШІ Sakhanda Wire за матеріалом MarkTechPost. Факти, цитати та повний контекст — в оригінальній статті нижче.

Вперше опубліковано виданням MarkTechPost

Читати оригінал на MarkTechPost ↗

Репортаж і зображення належать MarkTechPost і зазначені вище з посиланням на оригінал; текст на цій сторінці — власний виклад Sakhanda Wire.

← До новин

Ще новини

Усі останні новини