什么会影响工具学习的稳定性？对工具学习框架鲁棒性的实证研究

工具学习方法已增强了大型语言模型（LLM）与现实应用交互的能力。许多现有工作通过微调LLM或设计提示来使其能够选择合适的工具并正确调用，以满足用户需求。然而，注意到在先前的工作中，工具学习的性能会因任务、数据集、训练设置和算法而有所不同。由于不了解这些因素的影响，可能会导致结果不一致、模型部署效率低下以及工具利用次优，最终阻碍LLM在现实场景中的实际集成和可扩展性。因此，本文探索了内部和外部因素对工具学习框架性能的影响。通过在两个基准数据集上进行大量实验，我们发现了若干具有洞察力的结论，包括观察到LLM从增加试验和探索中可获得显著帮助。我们相信我们的实证研究为未来工具学习研究提供了新的视角。