ToolBench: 开源大语言模型的工具操作能力提升平台

RayRay
ToolBenchAI工具API大规模语言模型工具使用能力Github开源项目

ToolBench: 开源大语言模型的工具操作能力提升平台

近年来,大语言模型(LLMs)在各种自然语言处理任务中展现出惊人的能力。然而,如何使这些模型能够熟练地操作和使用各种软件工具,仍然是一个具有挑战性的研究课题。为了推动这一领域的发展,来自多所知名高校和研究机构的研究人员联合推出了ToolBench项目。这个开源项目旨在构建一个全面的平台,用于提升开源大语言模型的工具操作能力。

ToolBench的核心组成

ToolBench项目包含以下几个核心组成部分:

  1. 大规模高质量数据集
  2. 训练和评估脚本
  3. ToolLLaMA模型
  4. ToolEval评估基准

这些组成部分共同构成了一个完整的工具学习生态系统,为研究人员提供了丰富的资源来增强语言模型的工具使用能力。

数据集构建

ToolBench的数据集构建过程充分利用了最新的人工智能技术。研究人员使用升级后的ChatGPT(gpt-3.5-turbo-16k)模型,通过自动化的方式生成了大量高质量的指令调优数据。这些数据涵盖了各种真实世界的API和工具使用场景,为模型的训练提供了丰富多样的样本。

ToolBench数据集构建流程

如上图所示,ToolBench的数据构建流程包括以下几个步骤:

  1. API收集:从RapidAPI平台收集了16,464个代表性的REST API
  2. 指令生成:针对单工具和多工具场景生成指令
  3. 答案标注:开发了基于深度优先搜索的决策树(DFSDT)方法,增强了模型的规划和推理能力
  4. API检索:集成API检索功能,使ToolLLaMA具备开放域工具使用能力

ToolLLaMA模型

ToolLLaMA是ToolBench项目的核心模型,它在ToolBench数据集上进行了微调。目前,研究团队发布了以下几个版本的ToolLLaMA模型:

这些模型在多任务场景下进行了训练,能够处理各种工具操作相关的任务。

ToolEval评估基准

为了客观评估模型的工具操作能力,研究人员开发了ToolEval评估基准。ToolEval借鉴了AlpacaEval的思路,引入了两个关键的评估指标:

  1. 通过率(Pass Rate):计算在有限的OpenAI API调用次数内成功完成指令的比例
  2. 偏好度(Preference):通过比较两个答案(动作序列)来衡量对给定指令的处理效果

ToolEval使用ChatGPT作为评估器,根据预定义的标准对模型生成的答案进行评判。为了提高评估的可靠性,每对答案会被多次评估。研究表明,ToolEval的评估结果与人类评估具有高度一致性,通过率的一致性达到87.1%,胜率的一致性达到80.3%。

ToolBench的实际应用

ToolBench不仅提供了丰富的研究资源,还开发了实用的工具和接口,方便研究人员和开发者使用:

  1. Web UI:基于Chatbot UI开发的交互界面,允许用户直观地体验ToolLLaMA的能力
  2. 推理接口:提供了多种方式进行模型推理,包括使用ToolBench团队提供的RapidAPI服务器或用户自己的RapidAPI账户
  3. API自定义:支持用户添加自定义API,扩展模型的应用范围

这些功能大大降低了研究人员和开发者使用ToolBench的门槛,促进了工具学习领域的快速发展。

ToolBench的影响和未来展望

ToolBench项目的推出,为开源大语言模型的工具操作能力研究提供了一个全面的平台。通过提供高质量的数据集、先进的模型和可靠的评估基准,ToolBench极大地推动了这一领域的发展。

在未来,ToolBench团队计划持续改进数据质量,并扩大对真实世界工具的覆盖范围。这将进一步增强ToolLLaMA模型的能力,使其能够应对更加复杂和多样化的工具操作场景。

总的来说,ToolBench为人工智能研究社区提供了一个宝贵的资源,有望推动大语言模型在工具操作方面取得突破性进展,为未来更智能、更实用的AI系统铺平道路。

ToolBench性能对比

如上图所示,ToolLLaMA在多项任务中已经达到了与ChatGPT相当的性能水平,展现出了巨大的潜力。随着ToolBench项目的不断发展和完善,我们有理由相信,开源大语言模型在工具操作能力方面将会取得更加显著的进步,为人工智能的发展做出重要贡献。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多