大型语言模型在多语言API调用中遇到困难；监督微调显示出潜力

一项新的研究论文探讨了大型语言模型（LLMs）在多语言工具使用方面面临的挑战，特别是解决了“参数语言不匹配”（ALM）的问题。当LLM正确识别工具但生成的参数语言不一致时，就会出现此问题，导致输出无效。研究发现，监督微调（SFT）是缓解ALM的非常有效的方法，可显著提高参数语言一致性和整体函数调用准确性。虽然像Group Relative Policy Optimization（GRPO）这样的强化学习（RL）方法在语言一致性和一般推理方面提供了渐进式改进，但SFT提供了一个强大的基线，并且通常性能相当。 AI

影响 解决了大型语言模型工具使用中的一个关键限制，有望提高多语言应用程序的可靠性。

排序理由 在arXiv上发表的研究论文，详细介绍了改进大型语言模型多语言工具使用的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• Argument Language Mismatch
• arXiv
• CatalyzeX
• DagsHub
• Group Relative Policy Optimization
• Hugging Face
• large-language models
• reinforcement learning
• supervised fine-tuning

• 论文
• 模型发布

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