論文の概要: MetaToolAgent: Towards Generalizable Tool Usage in LLMs through Meta-Learning
- arxiv url: http://arxiv.org/abs/2601.12680v1
- Date: Mon, 19 Jan 2026 02:53:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-21 22:47:22.737328
- Title: MetaToolAgent: Towards Generalizable Tool Usage in LLMs through Meta-Learning
- Title（参考訳）: MetaToolAgent: メタラーニングによるLLMの汎用ツール利用に向けて
- Authors: Zheng Fang, Wolfgang Mayer, Zeyu Zhang, Jian Wang, Hong-Yu Zhang, Wanli Li, Zaiwen Feng,
- Abstract要約: 7つのドメインにまたがるデータセットを導入し、155のツールと9,377の質問応答ペアを含む。
また,メタツールの一般化を改善するメタ学習手法であるMetaToolAgent (MTA)を提案する。
- 参考スコア（独自算出の注目度）: 16.060518943785514
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tool learning is increasingly important for large language models (LLMs) to effectively coordinate and utilize a diverse set of tools in order to solve complex real-world tasks. By selecting and integrating appropriate tools, LLMs extend their capabilities beyond pure language understanding to perform specialized functions. However, existing methods for tool selection often focus on limited tool sets and struggle to generalize to novel tools encountered in practical deployments. To address these challenges, we introduce a comprehensive dataset spanning 7 domains, containing 155 tools and 9,377 question-answer pairs, which simulates realistic integration scenarios. Additionally, we propose MetaToolAgent (MTA), a meta-learning approach designed to improve cross-tool generalization. Experimental results show that MTA significantly outperforms baseline methods on unseen tools, demonstrating its promise for building flexible and scalable systems that require dynamic tool coordination.
- Abstract（参考訳）: ツール学習は、複雑な現実世界のタスクを解決するために、多種多様なツールセットを効果的にコーディネートし、活用するために、大規模言語モデル(LLM)にとってますます重要になっている。
適切なツールを選択して統合することにより、LLMは、純粋言語理解を超えて、特殊機能を実行する能力を拡張する。
しかし、ツール選択のための既存の手法は、限られたツールセットに焦点を合わせ、実践的なデプロイで遭遇した新しいツールへの一般化に苦慮することが多い。
これらの課題に対処するため、私たちは、現実的な統合シナリオをシミュレートする155のツールと9,377の質問応答ペアを含む、7つのドメインにまたがる包括的なデータセットを導入しました。
さらに,クロスツールの一般化を改善するメタ学習手法であるMetaToolAgent (MTA)を提案する。
実験の結果,MTAは非表示ツールのベースライン手法を著しく上回り,動的ツールコーディネートを必要とする柔軟でスケーラブルなシステム構築の可能性を実証した。
関連論文リスト
- Teaching LLMs to Learn Tool Trialing and Execution through Environment Interaction [31.689383152872534]
ToolMasterは、ツールの使用を黄金のツール呼び出しトラジェクトリの模倣から、環境とのインタラクションを通じてツールの使用を積極的に学習するフレームワークである。
ツール計画と実行のためにLLMを最適化するために、ToolMasterはトライアルと実行のパラダイムを採用している。
実験の結果、ツールマスターは、見知らぬツールや馴染みのないツールをまたいだ一般化や堅牢性という点で、既存のベースラインを著しく上回ります。
論文 参考訳（メタデータ） (2026-01-19T06:46:33Z) - 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) - MetaTool: Facilitating Large Language Models to Master Tools with Meta-task Augmentation [25.360660222418183]
再利用可能なツールセットにまたがって一般化するために設計された,新しいツール学習手法であるMetaToolを紹介する。
メタタスクデータをタスク指向トレーニングに組み込むことで,オープンソースの大規模言語モデルの性能を大幅に向上させる。
論文 参考訳（メタデータ） (2024-07-15T10:15:41Z) - 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) - 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) - 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)
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。