ToolACE-R：面向工具学习的模型感知迭代训练与自适应精炼
计算与语言
2026-01-13 v3 人工智能
机器学习
摘要
工具学习允许大型语言模型（LLM）通过利用外部工具来解决复杂的用户任务，已成为扩展模型能力的有前景的途径。然而，现有方法主要关注为LLM生成有效调用工具的数据，大量忽视如何充分激发模型潜能。本文提出ToolACE-R，一个包括模型感知迭代训练和自适应精炼的新型框架。ToolACE-R包含模型感知迭代训练程序，逐步调整训练样本以最大化模型潜能。此外，它包含强调LLM自身精炼其工具调用能力的自我精炼训练语料库，无需外部反馈即可优化性能。进一步，我们引入自适应自我精炼机制用于高效测试时扩展，即训练好的模型可自主确定何时停止该过程。我们在多个基准数据集上进行大量实验，表明ToolACE-R在竞争性能上与先进API模型相当。工具调用性能可通过自适应自我精炼高效提升。这些结果凸显ToolACE-R的有效性和泛化性，为更高效和可扩展的工具学习指明了前景。
引用
@article{arxiv.2504.01400,
title = {ToolACE-R: Model-aware Iterative Training and Adaptive Refinement for Tool Learning},
author = {Xingshan Zeng and Weiwen Liu and Xu Huang and Zezhong Wang and Lingzhi Wang and Liangyou Li and Yasheng Wang and Lifeng Shang and Xin Jiang and Ruiming Tang and Qun Liu},
journal= {arXiv preprint arXiv:2504.01400},
year = {2026}
}
备注
Accepted by AAAI2026