PulseAugur
中
实时 10:33:37
English(EN) The Bitter Lesson of Tool Calling

研究发现：程序化工具调用优于LLM的JSON调用

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新论文评估了大语言模型的程序化工具调用（PTC）与传统JSON工具调用的对比。研究发现，PTC将工具暴露为模型可调用的类型化Python存根，在BFCL v4基准测试中，对于大多数测试模型，其性能与JSON工具调用相当或更优。值得注意的是，GPT-5.6系列在使用PTC时比JSON基线提高了10.6%，并且在基线性能下降的上下文轮换条件下，PTC保持了稳定性。 AI

影响 程序化工具调用为LLM与外部工具的交互提供了一种更健壮、更强大的方法，有望增强代理行为和复杂任务的性能。

排序理由 评估LLM工具使用新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

研究发现：程序化工具调用优于LLM的JSON调用

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Ishan Patel, Sahil Sen, Elias Lumer, Vamse Kumar Subbiah ·

    工具调用的惨痛教训

    arXiv:2608.06370v1 Announce Type: new Abstract: Tool use transforms LLMs into agents that act beyond their training data, and for code-capable models, programmatic tool calling extends this further by replacing rigid JSON calls with scripts that chain and parallelize naturally. H…

相关实体

相关话题