論文の概要: To Call or Not to Call: A Framework to Assess and Optimize LLM Tool Calling

• arxiv url: http://arxiv.org/abs/2605.00737v1
• Date: Fri, 01 May 2026 15:38:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.99969
• Title: To Call or Not to Call: A Framework to Assess and Optimize LLM Tool Calling
• Title（参考訳）: コールするかどうか: LLMツール呼び出しを評価し最適化するためのフレームワーク
• Authors: Qinyuan Wu, Soumi Das, Mahsa Amani, Arijit Nag, Seungeon Lee, Krishna P. Gummadi, Abhilasha Ravichander, Muhammad Bilal Zafar,
• Abstract要約: 本稿では,Web検索ツールの利用判断を評価するために,意思決定理論に着想を得た原則的フレームワークを提案する。 モデルが認識するツールコールの必要性とユーティリティは、多くの場合、その真のニーズとユーティリティと不一致である。 我々の推定器は、意思決定品質を向上し、タスク性能を向上するシンプルなコントローラを可能にする。
• 参考スコア（独自算出の注目度）: 13.42769424615184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic AI architectures augment LLMs with external tools, unlocking strong capabilities. However, tool use is not always beneficial; some calls may be redundant or even harmful. Effective tool use, therefore, hinges on a core LLM decision: whether to call or not call a tool, when performing a task. This decision is particularly challenging for web search tools, where the benefits of external information depend on the model's internal knowledge and its ability to integrate potentially noisy tool responses. We introduce a principled framework inspired by decision-making theory to evaluate web search tool-use decisions along three key factors: necessity, utility, and affordability. Our analysis combines two complementary lenses: a normative perspective that infers true need and utility from an optimal allocation of tool calls, and a descriptive perspective that infers the model's self-perceived need and utility from their observed behaviors. We find that models' perceived need and utility of tool calls are often misaligned with their true need and utility. Building on this framework, we train lightweight estimators of need and utility based on models' hidden states. Our estimators enable simple controllers that can improve decision quality and lead to stronger task performance than the self-perceived set up across three tasks and six models.
• Abstract（参考訳）: エージェントAIアーキテクチャはLLMを外部ツールで強化し、強力な機能をアンロックする。 しかし、ツールの使用は必ずしも有益であるとは限らない。 したがって、効果的なツールの使用は、タスクを実行する際に、ツールを呼び出すかどうかという、中核的なLCMの判断に依存します。 この決定は、外部情報の利点がモデルの内部知識と潜在的にノイズの多いツール応答を統合する能力に依存するWeb検索ツールにとって特に困難である。 本稿では,Web検索ツールの利用に関する意思決定理論に着想を得た原則的フレームワークを提案する。 ツールコールの最適な割り当てから真のニーズと実用性を推測する規範的視点と、モデルが観察した振る舞いから自己認識されたニーズと実用性を推測する記述的視点の2つの相補的レンズを組み合わせる。 モデルが認識するツールコールのニーズとユーティリティは、多くの場合、その真のニーズとユーティリティと不一致である。 このフレームワークに基づいて、モデルが隠した状態に基づいて、ニーズとユーティリティの軽量な推定器を訓練します。 我々の推定器は,3つのタスクと6つのモデルにまたがる自己認識よりも,意思決定品質を向上し,タスク性能を向上するシンプルなコントローラを実現する。

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)
• 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)
• Alignment for Efficient Tool Calling of Large Language Models [34.748897353548756]
  大きな言語モデル(LLM)は、外部ツールを統合することができ、知識境界を広げてタスクパフォーマンスを向上させる。 しかしながら、ツールに依存すると、パフォーマンス、スピード、コストのトレードオフが発生することが多い。 本稿では,LSMを知識境界に整合させ,ツールの実行に関するよりインテリジェントな判断を行うという課題に対処する。
  論文  参考訳（メタデータ） (2025-03-09T17:55:49Z)
• 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、表現空間内の高レベル認知信号をキャプチャすることで、メタ認知スコアを定量化する。 MeCoは微調整不要で、最小限のコストがかかる。
  論文  参考訳（メタデータ） (2025-02-18T15:45:01Z)
• 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。