PulseAugur
实时 00:49:49
English(EN) ParaTool: Shifting Tool Representations from Context to Parameters

ParaTool框架通过参数化工具来增强LLM的工具使用能力

研究人员推出了一种名为ParaTool的新型框架,旨在增强大型语言模型(LLM)利用外部工具的能力。与将工具文档嵌入模型上下文的传统方法不同,ParaTool将每个工具投影到一组不同的参数中。这种方法旨在降低推理开销,并最大限度地减少与长上下文相关的幻觉风险。该框架包括参数化工具预训练、通过门控网络进行软工具选择以及工具参数的联合微调。在Stable ToolBench和BFCL等基准测试上的实验表明,ParaTool在降低计算复杂性的同时,性能优于上下文学习基线。 AI

影响 这一新框架可以降低LLM与外部工具交互时的计算成本并提高其可靠性。

排序理由 详细介绍LLM工具使用新框架的学术论文。[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 1 个来源。 我们如何撰写摘要 →

ParaTool框架通过参数化工具来增强LLM的工具使用能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Zekai Yu, Qi Meng, Qizhi Chu, Yu Hao, Chuan Shi, Cheng Yang ·

    ParaTool:将工具表示从上下文转移到参数

    arXiv:2605.29561v1 Announce Type: new Abstract: Tool calling extends large language models (LLMs) by enabling grounded interaction with external executable interfaces, thereby supporting environment-coupled problem solving. However, mainstream in-context learning (ICL) approaches…