論文の概要: Open, Reliable, and Collective: A Community-Driven Framework for Tool-Using AI Agents

• arxiv url: http://arxiv.org/abs/2604.00137v1
• Date: Tue, 31 Mar 2026 18:42:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.683629
• Title: Open, Reliable, and Collective: A Community-Driven Framework for Tool-Using AI Agents
• Title（参考訳）: オープンで信頼性があり、集合的なAIエージェントのためのコミュニティ駆動フレームワーク
• Authors: Hy Dang, Quang Dao, Meng Jiang,
• Abstract要約: 我々は、失敗は、ツール使用精度(エージェントがどのようにツールを呼び出すか)と固有のツール精度(ツール自身の正確性)の両方から生じると論じている。 ツールスキーマを標準化するコミュニティ主導のツールボックスであるOpenToolsを紹介します。 OpenToolsには、コアフレームワーク、初期ツールセット、評価パイプライン、コントリビューションプロトコルが含まれている。
• 参考スコア（独自算出の注目度）: 22.64138018985385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tool-integrated LLMs can retrieve, compute, and take real-world actions via external tools, but reliability remains a key bottleneck. We argue that failures stem from both tool-use accuracy (how well an agent invokes a tool) and intrinsic tool accuracy (the tool's own correctness), while most prior work emphasizes the former. We introduce OpenTools, a community-driven toolbox that standardizes tool schemas, provides lightweight plug-and-play wrappers, and evaluates tools with automated test suites and continuous monitoring. We also release a public web demo where users can run predefined agents and tools and contribute test cases, enabling reliability reports to evolve as tools change. OpenTools includes the core framework, an initial tool set, evaluation pipelines, and a contribution protocol. Experiments and evaluations show improved end-to-end reproducibility and task performance; community-contributed, higher-quality task-specific tools deliver 6%-22% relative gains over an existing toolbox across multiple agent architectures on downstream tasks and benchmarks, highlighting the importance of intrinsic tool accuracy.
• Abstract（参考訳）: ツール統合LDMは、外部ツールを通じて現実世界のアクションを検索、計算、取り出すことができるが、信頼性は依然として重要なボトルネックである。 我々は、失敗はツール使用精度(エージェントがどのようにツールを呼び出すか)と本質的なツール精度(ツール自身の正確さ)の両方に起因していると主張している。 ツールスキーマを標準化するコミュニティ主導のツールボックスであるOpenToolsを導入し、軽量なプラグイン・アンド・プレイラッパーを提供し、自動テストスイートと継続的監視でツールを評価する。 また、ユーザが事前に定義されたエージェントやツールを実行し、テストケースにコントリビュートできる公開Webデモもリリースしています。 OpenToolsには、コアフレームワーク、初期ツールセット、評価パイプライン、コントリビューションプロトコルが含まれている。 コミュニティが提供し、高品質のタスク固有のツールは、ダウンストリームタスクとベンチマーク上の複数のエージェントアーキテクチャにまたがる既存のツールボックスに対して6%-22%の相対的な利益をもたらし、本質的なツールの正確性の重要性を強調している。

関連論文リスト

• ToolRosetta: Bridging Open-Source Repositories and Large Language Model Agents through Automated Tool Standardization [51.92237664440418]
  ToolRosettaは、オープンソースのコードリポジトリとAPIを自動的にMPP互換のツールに変換するフレームワークである。 ユーザタスクが与えられた場合、ToolRosettaはツールチェーンを自律的に計画し、関連するツールチェーンを特定し、実行可能なMPPサービスに変換する。
  論文  参考訳（メタデータ） (2026-03-10T07:19:43Z)
• Learning to Rewrite Tool Descriptions for Reliable LLM-Agent Tool Use [21.666294374943178]
  トレースリッチな設定からトレースフリーなデプロイメントへ監督を移行するカリキュラム学習フレームワークを提案する。 実験では、予期せぬツール、強力なクロスドメインの一般化、そして、候補ツールの数が100を超えるほど堅牢性に一貫した向上が示されている。
  論文  参考訳（メタデータ） (2026-02-23T23:50:24Z)
• 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)
• SynthTools: A Framework for Scaling Synthetic Tools for Agent Development [5.411691071249542]
  合成ツールエコシステムを生成するためのフレキシブルでスケーラブルなフレームワークであるSynthToolsを紹介します。 私たちのフレームワークは3つのコアコンポーネントで構成されています。多種多様なツールの自動作成のためのツール生成、現実的なツールの振る舞いをエミュレートするツールシミュレーション、ツールシミュレーションの正確性と一貫性を保証するツール監査です。 スケーラブルで多様性があり、信頼性の高いツールエコシステムを実現することで、SynthToolsは大規模なトレーニングへの実践的なパスと、ツール使用エージェントの安定した評価を提供する。
  論文  参考訳（メタデータ） (2025-11-11T19:26:40Z)
• 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)
• Tool-R1: Sample-Efficient Reinforcement Learning for Agentic Tool Use [50.02614257515131]
  大規模言語モデル(LLM)は、言語理解と推論において強力な能力を示している。 本稿では,LLMの汎用的,構成的,多段階的なツール使用を可能にする強化学習フレームワークであるTool-R1を提案する。
  論文  参考訳（メタデータ） (2025-09-16T09:22:21Z)
• PTR: Precision-Driven Tool Recommendation for Large Language Models [43.53494041932615]
  大規模言語モデル(LLM)のためのPTR(Precision-driven Tool Recommendation)アプローチを提案する。 PTRは、過去のツールバンドルの利用を利用して、初期的かつ簡潔なツールセットをキャプチャし、ツールマッチングを実行することで、ツールセットを動的に調整する。 LLMのツールレコメンデーションの有効性を評価するために,新しいデータセットRecToolsとメトリクスTRACCを提案する。
  論文  参考訳（メタデータ） (2024-11-14T17:33:36Z)
• Toolshed: Scale Tool-Equipped Agents with Advanced RAG-Tool Fusion and Tool Knowledge Bases [0.0]
  強化されたツール表現を格納するように設計されたツール知識ベース(ベクトルデータベース)であるToolshed Knowledge Basesを紹介する。 RAG-Tool Fusion(Advanced RAG-Tool Fusion)も提案する。 このアプローチでは,ToolEシングルツール,ToolEマルチツール,Seal-Toolsベンチマークデータセットの46%,56%,絶対的な改善を実現しています。
  論文  参考訳（メタデータ） (2024-10-18T16:44:22Z)
• 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)

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。