链路工具：冻结语言模型中大量未见工具的链条推理
计算与语言
2025-03-24 v1 人工智能
摘要
工具学习可以进一步拓展大型语言模型（LLM）的使用场景。然而，大多数现有方法要么需要微调，该模型只能使用训练数据中看到的工具，要么在提示中添加工具演示，效率较低。本文提出了一种新的工具学习方法链路工具（Chain-of-Tools）。该方法充分利用冻结 LLM 的强大语义表示能力，通过大规模且灵活的工具池完成 CoT 推理中的工具调用，其中可能包含未见的工具。尤其，为了验证该方法在大量未见工具场景下的有效性，我们构建了一个新的数据集 SimpleToolQuestions。我们在两个数值推理基准（GSM8K-XL 和 FuncQA）和两个基于知识的问题 answering 基准（KAMEL 和 SimpleToolQuestions）上进行实验。实验结果表明，我们的方法优于基线。我们还识别出模型输出中在工具选择中至关重要的维度，增强了模型的可解释性。我们的代码和数据可在 https://github.com/fairyshine/Chain-of-Tools 查阅。
引用
@article{arxiv.2503.16779,
title = {Chain-of-Tools: Utilizing Massive Unseen Tools in the CoT Reasoning of Frozen Language Models},
author = {Mengsong Wu and Tong Zhu and Han Han and Xiang Zhang and Wenbiao Shao and Wenliang Chen},
journal= {arXiv preprint arXiv:2503.16779},
year = {2025}
}
备注
11 pages, 10 figures