传统大模型工具调用的方法依赖于将工具形容作为高低文输入，这遭到高低文长度的限度，并须要独自的、理论效率低下的检索机制。
之前基于检索的方法与ToolGen之间的比拟。以前的方法经常使用检索器依据相似性婚配检索关系工具，这些工具进一步被放入揭示中供LLMs选用。ToolGen可以经过间接生成工具标志来检索工具。ToolGen也可以在不依赖任何外部检索器的状况下成功义务。
为此，微软等提出ToolGen，这是一种将工具常识间接整合到LLM参数中的范式转变，将每个工具示意为大型言语模型（LLM）词汇表中的一个共同虚构标志（token），将工具检索和口头集成到LLM的生成环节中。
ToolGen框架的说明。在工具虚构化中，工具被映射到虚构标志中。在接上去的三阶段训练中，ToolGen首先经过基于文档预测工具标志来记忆工具。而后它学习经过从查问中预测工具标志来检索工具。最后，经常使用流水线数据，即轨迹，来微调最后阶段的检索器模型，从而发生ToolGen代理模型。
ToolGen的三个训练阶段：
ToolGen的推理方法：
在推理环节中，ToolGen或者会生成预约义工具标志集之外的举措标志。为了防止这种状况，设计了一个受限的束搜查（beam search）生成战略，将输入标志限度在工具标志集内。这在工具检索和端到端代理系统中都失掉了运行，清楚缩小了举措生成步骤中的幻觉（hallucination）。
ToolGen框架准许LLM无需额外的检索步骤即可访问和应用少量工具，清楚提高了功能和可裁减性。在超越47,000个工具的试验结果标明，ToolGen不只在工具检索和自主义务成功方面取得了优越的结果，而且为能够顺应不同畛域工具的AI代理的新时代铺平了路线。
在两种设置中启开工具检索评价：(1) 同域（In-Domain），在这种设置中，模型在同一畛域内启动训练和评价；以及 (2) 跨域（Multi-Domain），在这种设置中，模型在一切畛域上启动训练，并经常使用一切畛域的全套工具启动评价。BM25、EmbSim和Re-Invoke是未经训练的无监视基线模型。IterFeedback是一个具备多个模型和反应机制的检索系统。ToolRetriever是经常使用对比学习训练的，而ToolGen是经常使用下一个标志预测启动训练的。带*号的结果不是咱们成功的，而是从它们原来的论文中复制上来的，因此只在同域设置中有。关于同域设置中的ToolGen，咱们准许生成空间蕴含一切标志，这与其余模型相比是一个更具应战性的场景。每个类别中最好的结果都加粗显示。
在两种设置下对未见过的指令启动端到端评价功能。在R设置中，GPT3.5和ToolLlama经常使用ToolRetriever，而ToolGen不经常使用外部检索器。关于一切结果，SoPR和SoWR都评价了三次，并报告平均值。
工具记忆和检索训练的数据集示例。经常使用用户角色来代表输入，助手角色来代表输入。
端到端Agent调优的示例
ToolGen的推理示例。首先给出一个没无关系工具的系统揭示。而后用户提出义务查问。ToolGen生成思索（Thought），而后经常使用用户角色来揭示模型生成举措（action）。生成举措后，再次经常使用用户角色来提供工具文档。模型将依据这份文档生成工具输入。
UNIFIED TOOL RETRIEVAL AND CALLING VIA GENERATION
本文转载自
PaperAgent