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

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

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。

下拉加载更多