PulseAugur
中
实时 08:34:43
English(EN) PORTS: Preference-Optimized Retrievers for Tool Selection with Large Language Models

新的PORTS方法通过偏好学习优化LLM工具选择

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了PORTS，一种用于训练检索器以更好地为大型语言模型（LLM）选择外部工具的新方法。该方法使用偏好优化技术，通过优化工具选择概率与下游性能之间的相关性，使检索器与LLM的需求保持一致。PORTS还强制执行文档字符串之间的对比语义损失，提高了检索器查找有用工具的能力。跨多个数据集、编码器模型和LLM的实验证明了PORTS的多功能性和工具选择精度的显著提高，其计算需求低，能够泛化到新查询和工具。 AI

影响 通过改进外部工具的选择来增强LLM的功能，可能导致更有效和准确的任务完成。

排序理由 该集群包含一篇详细介绍改进LLM工具选择新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的PORTS方法通过偏好学习优化LLM工具选择

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Lorenzo Molfetta, Giacomo Frisoni, Nicol\`o Monaldini, Gianluca Moro ·

    PORTS：面向大型语言模型的、经偏好优化的工具选择检索器

    arXiv:2607.05441v1 Announce Type: cross Abstract: Integrating external tools with Large Language Models (LLMs) has emerged as a promising paradigm for accomplishing complex tasks. Since LLMs still struggle to effectively manage large tool collections, researchers have begun explo…

  2. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Gianluca Moro ·

    PORTS: Preference-Optimized Retrievers for Tool Selection with Large Language Models

    Integrating external tools with Large Language Models (LLMs) has emerged as a promising paradigm for accomplishing complex tasks. Since LLMs still struggle to effectively manage large tool collections, researchers have begun exploring retrieval-based methods to pre-select the mos…

相关实体

相关话题