論文の概要: PORTS: Preference-Optimized Retrievers for Tool Selection with Large Language Models

• arxiv url: http://arxiv.org/abs/2607.05441v1
• Date: Fri, 03 Jul 2026 18:47:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.260546
• Title: PORTS: Preference-Optimized Retrievers for Tool Selection with Large Language Models
• Title（参考訳）: PortS: 大規模言語モデルを用いたツール選択のための優先最適化検索
• Authors: Lorenzo Molfetta, Giacomo Frisoni, Nicolò Monaldini, Gianluca Moro,
• Abstract要約: PortSは,ツール選択を目的とした学習者を対象とした新しいオッズ比優先最適化手法である。 提案手法は,選択確率と下流性能の相関を最適化することにより,検索者が有用なツールを見つけるための微調整を行う。 計算要求が低ければ、アライメントプロセスは、新しいクエリやツールへの一般化を容易にする。
• 参考スコア（独自算出の注目度）: 9.904299892454594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Integrating external tools with Large Language Models (LLMs) has emerged as a promising paradigm for accomplishing complex tasks. Since LLMs still struggle to effectively manage large tool collections, researchers have begun exploring retrieval-based methods to pre-select the most relevant options, addressing input length and latency constraints. However, existing retrievers are often misaligned with tool-calling LLMs due to their separate training processes. This paper presents PORTS, a novel odds ratio preference optimization method for training retrievers aimed at tool selection. Using a perplexity-inspired preference signal from a frozen LLM, our approach fine-tunes a retriever to find helpful tools by optimizing the correlation between the selection probabilities and the downstream performances while jointly enforcing a contrastive semantic loss between documentation strings. The versatility of PORTS and its ability to significantly improve tool selection accuracy are demonstrated through extensive experiments on six datasets, two encoder models, and three LLMs with diverse prior knowledge. With low computational demands, our alignment process facilitates generalization to new queries and tools, proving valuable for practical applications with evolving toolsets.
• Abstract（参考訳）: 外部ツールをLLM(Large Language Models)と統合することは、複雑なタスクを達成するための有望なパラダイムとして現れました。 LLMは依然として大規模なツールコレクションを効果的に管理するのに苦労しているため、研究者は入力長とレイテンシの制約に対処して、最も関連性の高いオプションを事前に選択するための検索ベースの方法を模索し始めた。 しかし、既存のレトリバーは、個別のトレーニングプロセスのため、ツールコールのLLMと不一致であることが多い。 本稿では,ツール選択を目的とした学習者を対象とした新しいオッズ比選好最適化手法である PortS を提案する。 提案手法は, 凍結LDMから発生するパープレキシティにインスパイアされた選好信号を用いて, 提案手法を微調整し, 選択確率と下流性能の相関を最適化し, 文書文字列間のコントラスト的な意味的損失を共同で抑制することにより, 有用なツールを見つける。 PortSの汎用性とツール選択精度を大幅に向上させる能力は、6つのデータセット、2つのエンコーダモデル、3つのLCMの様々な事前知識による広範な実験によって実証された。 我々のアライメントプロセスは、計算要求の少ないため、新しいクエリやツールへの一般化を容易にし、ツールセットを進化させる実用的なアプリケーションに価値を証明します。

関連論文リスト

• IAPO: Input Attribution-Aware Policy Optimization for Tool Use in Small Multimodal Agents [12.019312046941396]
  本稿では,小言語モデル(SLM)におけるツールコール能力向上のための強化学習法について検討する。 入力成分間の帰属関係をより強力な教師の帰属関係と整合させることにより,マルチモーダルSLMにおけるツール利用を改善するためのRLアルゴリズムであるIAPOを提案する。 Qwen2.5-VL-3B実験の結果,提案手法は既存の視覚ツールの使用状況と比較して,6つのテストセットの平均3%の視覚的質問応答精度を向上させる。
  論文  参考訳（メタデータ） (2026-06-10T04:30:37Z)
• 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)
• TL-Training: A Task-Feature-Based Framework for Training Large Language Models in Tool Use [72.32614703504122]
  大規模言語モデル(LLM)は、環境と対話するツールを活用することで、目覚ましい進歩を遂げる。 大規模なデータセットに依存する標準教師付き微調整アプローチでは、ツール使用時のタスク固有の特性を見落としていることが多い。 本稿では,最適下トレーニングデータの効果を緩和するタスク機能ベースのフレームワークであるTL-Trainingを提案する。
  論文  参考訳（メタデータ） (2024-12-20T02:21:36Z)
• 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)
• Look Before You Leap: Towards Decision-Aware and Generalizable Tool-Usage for Large Language Models [26.28459880766842]
  意思決定・汎用ツール・ユース・フレームワーク(DEER)を提案する。 具体的には、まず、自動生成パイプラインを介して、複数の決定ブランチを持つツール使用サンプルを構築します。 提案するDEERは, 各種データセットのベースラインよりも効果的で, 著しく優れる。
  論文  参考訳（メタデータ） (2024-02-26T16:11:03Z)
• MetaTool Benchmark for Large Language Models: Deciding Whether to Use Tools and Which to Use [79.87054552116443]
  大規模言語モデル(LLM)は、その印象的な自然言語処理(NLP)能力のために大きな注目を集めている。 このベンチマークは、LLMがツールの使用意識を持ち、ツールを正しく選択できるかどうかを評価するためのものだ。 8つの人気のあるLCMを巻き込んだ実験を行い、その大半は依然として効果的にツールを選択するのに苦労していることがわかった。
  論文  参考訳（メタデータ） (2023-10-04T19:39:26Z)

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。