論文の概要: Looped Language Models Improve Compositional Tool Calling
- arxiv url: http://arxiv.org/abs/2608.18171v1
- Date: Mon, 17 Aug 2026 18:17:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.167629
- Title: Looped Language Models Improve Compositional Tool Calling
- Title（参考訳）: ループ言語モデルによる合成ツール呼び出しの改善
- Abstract要約: ループ型言語モデルは推論ベンチマークで有望な結果を示しているが、エージェントツールの使用の可能性はほとんど解明されていない。
モデルでは,複数のAPIコールをコーディネートし,中間状態を保ち,ツール間のインタラクションの依存関係を保存する必要がある。
この結果から,ループ型言語モデルは,構成ツールの使用に対して,信頼性の高い計画,調整,実行を必要とするエージェントシステムにとって有望なアーキテクチャであることが示唆された。
- 参考スコア（独自算出の注目度）: 16.36140240070991
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Looped language models have shown promising results on reasoning benchmarks, yet their potential for agentic tool use remains largely unexplored. We study this question in compositional tool-calling settings, where models must coordinate multiple API calls, maintain intermediate state, and preserve dependencies across tool interactions. We evaluate native and retrofitted looped language models on API-Bank, BFCL, and NESTful, comparing looped and non-looped models trained under matched supervised fine-tuning recipes and varying recurrent depth at inference time. In controlled experiments, recurrent computation generally benefits compositional and dependency-aware tool use, while providing smaller and more model-dependent gains on isolated API invocation. Accuracy on multi-step tool use generally increases with recurrent depth; adaptive inference, however, achieves a more favorable compute-performance trade-off by allocating additional computation only when needed. Our results suggest that looped language models are a promising architecture for agentic systems that require reliable planning, coordination, and execution of compositional tool use workflows.
- Abstract（参考訳）: ループ型言語モデルは推論ベンチマークで有望な結果を示しているが、エージェントツールの使用の可能性はほとんど解明されていない。
モデルでは,複数のAPIコールをコーディネートし,中間状態を保ち,ツール間のインタラクションの依存関係を保持する必要がある。
API-Bank, BFCL, NESTfulのネイティブおよびリフレッシュされたループ言語モデルの評価を行い, マッチングされた微調整レシピの下で訓練されたループモデルと非ループモデルを比較し, 推論時間における繰り返し深度を比較した。
制御された実験では、リカレント計算は一般的に、コンポジションと依存性を意識したツールの使用の恩恵を受けるが、分離されたAPI呼び出しに対して、より小さくよりモデルに依存したゲインを提供する。
しかし、適応推論は、必要なときにのみ追加計算を割り当てることで、より好ましい計算性能のトレードオフを実現する。
この結果から,ループ型言語モデルは信頼性の高い計画,調整,構成ツールのワークフローの実行を必要とするエージェントシステムにとって,有望なアーキテクチャであることが示唆された。
関連論文リスト
- Continuous Interaction Diffusion: A Diffusion-Native Runtime for Asynchronous Tool-Augmented Reasoning [10.650418762477475]
大規模言語モデルは、最新の情報にアクセスし、計算を行い、外の世界と対話するために、ますます外部ツールに依存している。
自動回帰モデルの場合、ツールの使用は生成プロセスに自然に適合する。
モデルの推論が安定化する前にツールの決定を強制し、個別の呼び出しが終わるまで有用な観察を遅らせ、冗長な洗練とツール実行を導入する。
モデルインタラクションをデノイングに統合する拡散実行型アーキテクチャであるContinuous Interaction Diffusion (CID)を紹介する。
論文 参考訳（メタデータ） (2026-08-11T03:35:59Z) - PEARL: Solver-in-the-Loop Interactive Optimization Modeling from Natural Language [21.03524402280427]
本稿では,対話型最適化モデリングシステムPEARLを紹介する。
PEARLは、部分的なモデルをいつテストするか、ソルバ診断からどのように修正するか、いつ停止するかを学ぶ。
中間実行結果、実現可能性信号、ソリューションチェックを使用して、ファイナライズ前の定式化とソルバコードの両方を改善するマルチターンツール統合設定で動作する。
論文 参考訳（メタデータ） (2026-05-14T06:47:20Z) - UniToolCall: Unifying Tool-Use Representation, Data, and Evaluation for LLM Agents [22.52508596251479]
構築とデータセット生成から評価に至るまで,パイプライン全体を標準化するツール学習用統合フレームワークであるUniToolCallを提案する。
我々は、7つの公開ベンチマークを、関数呼び出し、ターン、会話のレベルできめ細かい評価を施した、クエリ-Action--Observation-Answer (QAOA) 表現に変換する。
Anchoror-Heavy Hybrid-20では、1ターンのStrict Precisionを93.0%達成し、GPT、Gemini、Claudeといった商用モデルを上回っている。
論文 参考訳（メタデータ） (2026-04-13T14:43:47Z) - In-Context Reinforcement Learning for Tool Use in Large Language Models [68.66653829365187]
大規模言語モデル(LLM)は強力な推論能力を示すが、複雑なタスクにおける性能は内部知識によって制約されることが多い。
In-Context Reinforcement Learning (ICRL) を提案する。
ICRLは最先端のパフォーマンスを実現し、従来のSFTベースのパイプラインに代わるスケーラブルでデータ効率の高い代替手段としての有効性を示す。
論文 参考訳（メタデータ） (2026-03-09T08:06:18Z) - 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) - Feedback-Driven Tool-Use Improvements in Large Language Models via Automated Build Environments [70.42705564227548]
大規模言語モデル(LLM)のための環境自動構築パイプラインを提案する。
これにより、外部ツールに頼ることなく、詳細な測定可能なフィードバックを提供する高品質なトレーニング環境の作成が可能になる。
また、ツール使用の精度とタスク実行の完全性の両方を評価する検証可能な報酬機構も導入する。
論文 参考訳（メタデータ） (2025-08-12T09:45:19Z) - 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) - ToolACE-R: Model-aware Iterative Training and Adaptive Refinement for Tool Learning [84.69651852838794]
ツール学習により、LLM(Large Language Models)は複雑なユーザタスクを解決するための外部ツールを活用することができる。
本稿では,ツール学習のための反復学習と適応的洗練の両方を含む新しいフレームワークであるToolACE-Rを提案する。
我々は、いくつかのベンチマークデータセットにわたる広範な実験を行い、ToolACE-Rが高度なAPIベースのモデルと比較して、競争力のあるパフォーマンスを実現していることを示す。
論文 参考訳（メタデータ） (2025-04-02T06:38:56Z) - 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) - FREYR: A Framework for Recognizing and Executing Your Requests [2.4797200957733576]
本稿では、ツールの使用プロセスを別のステップにモジュール化する合理化フレームワークであるFREYRを紹介する。
FREYRは従来のツール使用法に比べて優れた性能を示す。
我々はFREYRをゲームデザインに特化した実世界のテストケースのセットで評価し、Ollama APIが提供する従来のツール使用法と比較した。
論文 参考訳（メタデータ） (2025-01-21T11:08:18Z)
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。