論文の概要: Dynamic Tool Dependency Retrieval for Efficient Function Calling

• arxiv url: http://arxiv.org/abs/2512.17052v1
• Date: Thu, 18 Dec 2025 20:40:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.164273
• Title: Dynamic Tool Dependency Retrieval for Efficient Function Calling
• Title（参考訳）: 効率的な関数呼び出しのための動的ツール依存検索
• Authors: Bhrij Patel, Davide Belli, Amir Jalalirad, Maximilian Arnold, Aleksandr Ermovol, Bence Major,
• Abstract要約: 動的ツール依存検索 (DTDR) は,初期クエリと実行コンテキストの進化を条件とした軽量な検索手法である。 DTDRを複数のデータセットと大規模言語モデルのバックボーンにまたがる最先端の検索手法と比較した。 以上の結果から,動的ツール検索は,最先端の静的検索よりも23%～104%の関数呼び出し成功率を向上することがわかった。
• 参考スコア（独自算出の注目度）: 38.01544608809014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Function calling agents powered by Large Language Models (LLMs) select external tools to automate complex tasks. On-device agents typically use a retrieval module to select relevant tools, improving performance and reducing context length. However, existing retrieval methods rely on static and limited inputs, failing to capture multi-step tool dependencies and evolving task context. This limitation often introduces irrelevant tools that mislead the agent, degrading efficiency and accuracy. We propose Dynamic Tool Dependency Retrieval (DTDR), a lightweight retrieval method that conditions on both the initial query and the evolving execution context. DTDR models tool dependencies from function calling demonstrations, enabling adaptive retrieval as plans unfold. We benchmark DTDR against state-of-the-art retrieval methods across multiple datasets and LLM backbones, evaluating retrieval precision, downstream task accuracy, and computational efficiency. Additionally, we explore strategies to integrate retrieved tools into prompts. Our results show that dynamic tool retrieval improves function calling success rates between $23\%$ and $104\%$ compared to state-of-the-art static retrievers.
• Abstract（参考訳）: LLM(Large Language Models)を利用した関数呼び出しエージェントは、複雑なタスクを自動化するための外部ツールを選択する。 オンデバイスエージェントは通常、検索モジュールを使用して関連するツールを選択し、パフォーマンスを改善し、コンテキスト長を短縮する。 しかし、既存の検索方法は静的で限られた入力に依存しており、多段階ツールの依存関係をキャプチャできず、タスクコンテキストを進化させる。 この制限は、しばしばエージェントを誤解させる無関係なツールを導入し、効率と精度を低下させる。 動的ツール依存検索 (DTDR) は,初期クエリと実行コンテキストの進化を条件とした軽量な検索手法である。 DTDRは、関数呼び出しデモからのツール依存をモデル化し、計画が展開するにつれて適応的な検索を可能にする。 DTDRを複数のデータセットやLLMバックボーンにまたがる最先端検索手法と比較し,検索精度,ダウンストリームタスク精度,計算効率を評価した。 さらに、検索したツールをプロンプトに統合する戦略についても検討する。 以上の結果から,動的ツール検索は,最先端の静的検索器と比較して,23 %から104 %の関数呼び出し成功率を改善することがわかった。

関連論文リスト

• MassTool: A Multi-Task Search-Based Tool Retrieval Framework for Large Language Models [45.63804847907601]
  MassToolは、クエリ表現とツール検索の精度を向上させるために設計されたマルチタスク検索ベースのフレームワークである。 関数呼び出しの必要性を予測するツール使用検知塔と、クエリ中心のグラフ畳み込みネットワーク(QC-GCN)を活用して効率的なクエリツールマッチングを行うツール検索塔である。 MassToolは、ツール使用の検出損失、リストワイズ検索損失、コントラスト正規化損失を共同で最適化することにより、厳密なクエリ理解のための堅牢な2段階のシーケンシャル意思決定パイプラインを確立する。
  論文  参考訳（メタデータ） (2025-07-01T07:02:26Z)
• Iterative Tool Usage Exploration for Multimodal Agents via Step-wise Preference Tuning [68.00304954972232]
  コントローラ、例えば視覚言語モデルと外部ツールを統合するマルチモーダルエージェントは、複雑なマルチモーダルタスクに対処する際、顕著な能力を示した。 これらのエージェントを訓練するための既存のアプローチは、広範囲なヒューマン・アノテートされたタスク・アンサー・ペアとツール・トラジェクトリに依存している。 本研究では,事前に収集したデータのないマルチモーダルエージェント,すなわち SPORT の反復ツール利用探索手法を提案する。 Sportには、タスク合成、ステップサンプリング、ステップ検証、優先度調整の4つの反復的なコンポーネントがある。
  論文  参考訳（メタデータ） (2025-04-30T12:01:27Z)
• Acting Less is Reasoning More! Teaching Model to Act Efficiently [87.28134636548705]
  ツール統合推論は、タスクを解決するために外部ツールを呼び出す機能によって、大きな言語モデルを拡張します。 現在のアプローチは、外部ツールの使用効率や必要性を考慮せずに、最終的な正確性のためにのみ最適化されている。 最小限のツールコールで正確な回答をモデルに提示するフレームワークを提案する。 このアプローチでは,ツールコールを最大68.3%削減し,ツールの生産性を最大215.4%向上すると同時に,同等の回答精度を維持している。
  論文  参考訳（メタデータ） (2025-04-21T05:40:05Z)
• Divide-Then-Aggregate: An Efficient Tool Learning Method via Parallel Tool Invocation [36.29566268457534]
  本稿では,新しい並列ツール呼び出しパラダイムDTA-Llamaを紹介する。 まず,従来の木に基づくツールサーチパスをDAG構造に変換する。 DTA-Llamaはデータセット上でトレーニングされ、現在のタスクを複数の並列ツール呼び出しサブタスクに反復的に分割する方法を学ぶ。
  論文  参考訳（メタデータ） (2025-01-21T16:49:08Z)
• Efficient and Scalable Estimation of Tool Representations in Vector Space [34.767193045989515]
  ツール検索のための合成データを生成するためのフレームワークと,小型エンコーダモデルを用いた効率的なデータ駆動型ツール検索戦略を提案する。 ToolBankは、実際のユーザ利用を反映した、新しいツール検索データセットです。 これらの新しい方法により、ToolBenchデータセット上のRecall@Kで最大27.28、ToolBank上のRecall@Kで30.5の改善を実現しています。
  論文  参考訳（メタデータ） (2024-09-02T19:39:24Z)
• Re-Invoke: Tool Invocation Rewriting for Zero-Shot Tool Retrieval [47.81307125613145]
  Re-Invokeは、トレーニングなしで大規模ツールセットに効果的にスケールするために設計された教師なしツール検索手法である。 我々は、クエリ毎に最も関連性の高いツールを特定するために、意図に基づいて、新しいマルチビュー類似度ランキング戦略を採用する。 評価の結果、Re-Invokeはシングルツールとマルチツールの両方のシナリオにおいて、最先端の代替よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-08-03T22:49:27Z)
• Towards Completeness-Oriented Tool Retrieval for Large Language Models [60.733557487886635]
  現実世界のシステムは多種多様なツールを組み込んでおり、全てのツールを大規模言語モデルに入力することは不可能である。 既存のツール検索手法は主にユーザクエリとツール記述間のセマンティックマッチングに焦点を当てている。 我々は,ユーザクエリとツール記述のセマンティックな類似性だけでなく,ツールの協調的情報も考慮した,新しいモデル診断型協調学習型ツール検索手法であるCOLTを提案する。
  論文  参考訳（メタデータ） (2024-05-25T06:41:23Z)

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。