論文の概要: Multi-Field Tool Retrieval

• arxiv url: http://arxiv.org/abs/2602.05366v1
• Date: Thu, 05 Feb 2026 06:41:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.792299
• Title: Multi-Field Tool Retrieval
• Title（参考訳）: マルチフィールドツール検索
• Authors: Yichen Tang, Weihang Su, Yiqun Liu, Qingyao Ai,
• Abstract要約: 我々はマルチフィールド・ツール・レトリーバル(Multi-Field Tool Retrieval)というフレームワークを紹介した。 実験結果から,本フレームワークは5つのデータセットと混合ベンチマークでSOTA性能を達成し,より優れた一般化性とロバスト性を示した。
• 参考スコア（独自算出の注目度）: 30.254536050629824
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Integrating external tools enables Large Language Models (LLMs) to interact with real-world environments and solve complex tasks. Given the growing scale of available tools, effective tool retrieval is essential to mitigate constraints of LLMs' context windows and ensure computational efficiency. Existing approaches typically treat tool retrieval as a traditional ad-hoc retrieval task, matching user queries against the entire raw tool documentation. In this paper, we identify three fundamental challenges that limit the effectiveness of this paradigm: (i) the incompleteness and structural inconsistency of tool documentation; (ii) the significant semantic and granular mismatch between user queries and technical tool documents; and, most importantly, (iii) the multi-aspect nature of tool utility, that involves distinct dimensions, such as functionality, input constraints, and output formats, varying in format and importance. To address these challenges, we introduce Multi-Field Tool Retrieval, a framework designed to align user intent with tool representations through fine-grained, multi-field modeling. Experimental results show that our framework achieves SOTA performance on five datasets and a mixed benchmark, exhibiting superior generalizability and robustness.
• Abstract（参考訳）: 外部ツールの統合により、LLM(Large Language Models)は現実世界の環境と対話し、複雑なタスクを解決できる。 利用可能なツールの規模が大きくなる中、LLMのコンテキストウィンドウの制約を緩和し、計算効率を確保するために有効なツール検索が不可欠である。 既存のアプローチでは、ツール検索を従来のアドホック検索タスクとして扱い、ユーザクエリを生のツールドキュメント全体とマッチングする。 本稿では,このパラダイムの有効性を制限する3つの基本的な課題について述べる。 一 ツールドキュメンテーションの不完全性及び構造上の不整合 (ii)ユーザクエリと技術ツールドキュメントの間の重要なセマンティクスと粒度のミスマッチ、そして最も重要なこと。 三 ツールユーティリティの多面的な性質は、機能、入力制約、出力フォーマットなど、異なる次元を包含し、形式や重要性が変化するものである。 これらの課題に対処するため、我々はマルチフィールド・ツール・レトリーバル(Multi-Field Tool Retrieval)を紹介した。 実験結果から,本フレームワークは5つのデータセットと混合ベンチマークでSOTA性能を達成し,より優れた一般化性とロバスト性を示した。

関連論文リスト

• AdaReasoner: Dynamic Tool Orchestration for Iterative Visual Reasoning [66.24374176797075]
  textbfAdaReasonerは、ツール固有の、あるいは明示的な教師付き行動ではなく、一般的な推論スキルとしてツールの使用を学ぶマルチモーダルモデルのファミリーである。 AdaReasonerは、(i)スケーラブルなデータキュレーションパイプラインによって、長期にわたる多段階のツールインタラクションにモデルを公開し、(ii)ツール-GRPO、(ii)ツールの選択とシークエンシングをエンドツーエンドの成功に基づいて優先順位付けする強化学習アルゴリズム、(iii)ツールの使用を動的に規制する適応学習メカニズムによって実現されている。
  論文  参考訳（メタデータ） (2026-01-26T16:04:43Z)
• ToolLibGen: Scalable Automatic Tool Creation and Aggregation for LLM Reasoning [80.10274552177096]
  外部ツールを備えたLarge Language Models (LLM) は、複雑な推論タスクにおけるパフォーマンスの向上を実証している。 このツールに強化された推論が広く採用されるのは、ドメイン固有のツールが不足しているためである。 構造化ツールライブラリに非構造化ツールのコレクションを自動的に組み込むための体系的なアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-09T04:11:16Z)
• ToolVQA: A Dataset for Multi-step Reasoning VQA with External Tools [9.788417605537965]
  本稿では,23Kインスタンスからなる大規模マルチモーダルデータセットであるToolVQAを紹介する。 ToolVQAは現実世界の視覚的コンテキストと暗黙の多段階推論タスクを備え、実際のユーザインタラクションとの整合性が向上する。 このデータセットを構築するために,Depth-First Search(DFS)と動的インコンテキストのサンプルマッチング機構を組み合わせた新しいデータ生成パイプラインであるToolEngineを提案する。
  論文  参考訳（メタデータ） (2025-08-05T10:06:16Z)
• 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)
• 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)
• ControlLLM: Augment Language Models with Tools by Searching on Graphs [97.62758830255002]
  我々は,大規模言語モデル(LLM)が実世界のタスクを解くためのマルチモーダルツールを利用できる新しいフレームワークであるControlLLMを提案する。 フレームワークは,(1)複雑なタスクを明確なサブタスクに分割し,入力と出力を適切に定義したサブタスクに分解するtextittask Decomposer,(2)構築済みのツールグラフ上で最適なソリューションパスを探索する textitThoughts-on-Graph(ToG)パラダイム,(3)ソリューションパスを解釈して実行するリッチなツールボックスを備えた textitexecution Engine,の3つの主要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-10-26T21:57:21Z)

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。