論文の概要: Advanced Tool Learning and Selection System (ATLASS): A Closed-Loop Framework Using LLM

• arxiv url: http://arxiv.org/abs/2503.10071v1
• Date: Thu, 13 Mar 2025 05:39:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:53:26.252288
• Title: Advanced Tool Learning and Selection System (ATLASS): A Closed-Loop Framework Using LLM
• Title（参考訳）: 高度ツール学習・選択システム(ATLASS) : LLMを用いたクローズドループフレームワーク
• Authors: Mohd Ariful Haque, Justin Williams, Sunzida Siddique, Md. Hujaifa Islam, Hasmot Ali, Kishor Datta Gupta, Roy George,
• Abstract要約: ATLASSはクローズドループフレームワークとして設計された高度なツール学習と選択システムである。 エージェントはツールの選択、実行、改善のオーケストレーションにおいて重要な役割を担い、適応的な問題解決能力を確保する。 OpenAI GPT-4.0 は LLM エージェントとして使用され、安全性と倫理上の懸念は人間のフィードバックによって処理される。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The combination of LLM agents with external tools enables models to solve complex tasks beyond their knowledge base. Human-designed tools are inflexible and restricted to solutions within the scope of pre-existing tools created by experts. To address this problem, we propose ATLASS, an advanced tool learning and selection system designed as a closed-loop framework. It enables the LLM to solve problems by dynamically generating external tools on demand. In this framework, agents play a crucial role in orchestrating tool selection, execution, and refinement, ensuring adaptive problem-solving capabilities. The operation of ATLASS follows three phases: The first phase, Understanding Tool Requirements, involves the Agents determining whether tools are required and specifying their functionality; the second phase, Tool Retrieval/Generation, involves the Agents retrieving or generating tools based on their availability; and the third phase, Task Solving, involves combining all the component tools necessary to complete the initial task. The Tool Dataset stores the generated tools, ensuring reusability and minimizing inference cost. Current LLM-based tool generation systems have difficulty creating complex tools that need APIs or external packages. In ATLASS, we solve the problem by automatically setting up the environment, fetching relevant API documentation online, and using a Python interpreter to create a reliable, versatile tool that works in a wider range of situations. OpenAI GPT-4.0 is used as the LLM agent, and safety and ethical concerns are handled through human feedback before executing generated code. By addressing the limitations of predefined toolsets and enhancing adaptability, ATLASS serves as a real-world solution that empowers users with dynamically generated tools for complex problem-solving.
• Abstract（参考訳）: LLMエージェントと外部ツールの組み合わせにより、モデルは知識ベースを超えた複雑なタスクを解決できる。 人間が設計したツールは柔軟性がなく、専門家が作成した既存のツールの範囲内のソリューションに制限されている。 この問題に対処するため,我々はクローズドループフレームワークとして設計された高度なツール学習と選択システムATLASSを提案する。 LLMはオンデマンドで外部ツールを動的に生成することで問題を解決することができる。 このフレームワークでは、エージェントはツールの選択、実行、洗練を編成し、適応的な問題解決能力を確保する上で重要な役割を果たす。 ツール要件を理解する第1フェーズはツールが必要かどうかを判断し、機能を指定する第2フェーズはツール検索/生成であり、第3フェーズはタスクの完了に必要なすべてのコンポーネントツールを組み合わせる。 Tool Datasetは生成されたツールを格納し、再利用性を確保し、推論コストを最小限にする。 現在のLLMベースのツール生成システムは、APIや外部パッケージを必要とする複雑なツールを作成するのが難しい。 ATLASSでは、環境を自動的に設定し、関連するAPIドキュメントをオンラインで取得し、Pythonインタプリタを使用して、より幅広い状況で動作する信頼性のある汎用ツールを作成することで、問題を解決する。 OpenAI GPT-4.0 は LLM エージェントとして使用され、安全と倫理上の懸念は生成されたコードを実行する前に人間のフィードバックによって処理される。 事前定義されたツールセットの制限に対処し、適応性を向上させることで、ATLASSは、複雑な問題解決のために動的に生成されたツールをユーザに提供する現実世界のソリューションとして機能する。

関連論文リスト

• Adaptive Tool Use in Large Language Models with Meta-Cognition Trigger [49.81945268343162]
  我々は,外部ツール利用のための適応型意思決定戦略であるMeCoを提案する。 MeCoは表現空間の高レベル認知信号をキャプチャし、ツールを呼び出すタイミングを指示する。 実験の結果,MeCoはLSMの内部認知信号を正確に検出し,ツール使用による意思決定を大幅に改善することがわかった。
  論文  参考訳（メタデータ） (2025-02-18T15:45:01Z)
• ToolGen: Unified Tool Retrieval and Calling via Generation [34.34787641393914]
  ToolGenは、ツール知識を大きな言語モデルのパラメータに直接統合するパラダイムシフトです。 ToolGenは、ツール検索と自律タスク補完の両方において、優れた結果が得られることを示す。 ToolGenは、より汎用的で効率的で自律的なAIシステムを実現する。
  論文  参考訳（メタデータ） (2024-10-04T13:52:32Z)
• Tool Learning in the Wild: Empowering Language Models as Automatic Tool Agents [56.822238860147024]
  大規模な言語モデルを外部ツールで拡張することは、彼らのユーティリティを拡張するための有望なアプローチとして現れました。 以前のメソッドは、ツールドキュメントを手動で解析し、コンテキスト内デモを作成し、ツールをLLMがステップバイステップの推論で使用する構造化フォーマットに変換する。 LLMがツール使用ワークフローを自動化できるフレームワークであるAutoToolsを提案する。
  論文  参考訳（メタデータ） (2024-05-26T11:40:58Z)
• Planning, Creation, Usage: Benchmarking LLMs for Comprehensive Tool Utilization in Real-World Complex Scenarios [93.68764280953624]
  UltraToolは、ツール利用におけるLarge Language Modelsの能力を改善し評価するために設計された、新しいベンチマークである。 現実の複雑さを強調し、効果的な問題解決のために正確で多段階の計画を必要とする。 UltraToolの重要な特徴は、ツールの使用前に発生する自然言語による計画の独立した評価である。
  論文  参考訳（メタデータ） (2024-01-30T16:52:56Z)
• EASYTOOL: Enhancing LLM-based Agents with Concise Tool Instruction [56.02100384015907]
  EasyToolは、多種多様で長いツールドキュメントを統一的で簡潔なツール命令に変換するフレームワークである。 トークン使用量を大幅に削減し、現実のシナリオにおけるツール利用のパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2024-01-11T15:45:11Z)
• CRAFT: Customizing LLMs by Creating and Retrieving from Specialized Toolsets [75.64181719386497]
  大規模言語モデル(LLM)のためのツール作成・検索フレームワークであるCRAFTを提案する。 タスク用に特別にキュレートされたツールセットを作成し、複雑なタスクを解決する能力を高めるためにこれらのセットからツールを取得するコンポーネントをLLMに装備する。 本手法はフレキシブルに設計されており,既製のLCMを細かな調整なしに未確認領域やモダリティに適応するためのプラグアンドプレイ方式を提供する。
  論文  参考訳（メタデータ） (2023-09-29T17:40:26Z)
• Large Language Models as Tool Makers [85.00361145117293]
  我々はLLM A s Tool Makers (LATM) と呼ばれるクローズドループフレームワークを導入する。 ツール作成: 1 つのツール作成: LLM がタスクセットのためのツールを作成するツールメーカとして機能する 2 つのツール使用: 別の LLM がツールユーザとして機能し、ツールメーカが問題解決のために構築したツールを適用する。
  論文  参考訳（メタデータ） (2023-05-26T17:50:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。