Fugu-MT 論文翻訳(概要): Small Reasoning Models are Instruction Followers in Function Calling

論文の概要: Small Reasoning Models are Instruction Followers in Function Calling

arxiv url: http://arxiv.org/abs/2608.22472v1
Date: Sun, 23 Aug 2026 15:51:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 13:29:43.776239
Title: Small Reasoning Models are Instruction Followers in Function Calling
Title（参考訳）: 小型推論モデルは関数呼び出しにおける命令フォロワである
Abstract要約: 関数呼び出しはエージェント型大規模言語モデル(LLM)のコア機能を表す Instruction-Followed Function Calling (IFFC) は,関数呼び出しロジックを一次LLMから分離する新しいフレームワークである。 IFFCは、ネイティブ関数呼び出し(NFC)とプロンプトベースの関数呼び出し(PFC)の両方のベースラインを一貫して上回っている。
参考スコア（独自算出の注目度）: 4.549831511476248
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Function calling represents the core capability of agentic large language models (LLMs). Existing research has focused on enhancing LLMs function-calling accuracy through fine-tuning, reinforcement learning (RL), and multi-agent frameworks, particularly for native function-calling LLMs. This work demonstrates that LLMs achieve superior accuracy in function calling in instruction-following contexts (i.e., standard user-assistant interactions) rather than a tool calling context. We introduce Instruction-Followed Function Calling (IFFC), a novel framework that decouples function-calling logic from the primary LLM and delegates it to a dedicated smaller model operating within the instruction-following paradigm. Our method consistently outperforms both native function calling (NFC) and prompt-based function calling (PFC) baselines, with particularly strong gains on reasoning-oriented LLMs. Furthermore, we demonstrate that IFFC maintains robust performance under aggressive quantization, enabling efficient on-device deployment without significant accuracy degradation. This work establishes a new paradigm for reliable, resource-efficient function calling in edge-computing scenarios.
Abstract（参考訳）: 関数呼び出しはエージェント型大規模言語モデル(LLM)のコア機能を表す。既存の研究は、細調整、強化学習(RL)、マルチエージェントフレームワーク、特にネイティブ関数呼び出し LLM において、LLM 関数呼び出し精度の向上に重点を置いている。この研究は、LLMがツール呼び出しコンテキストではなく、命令追従コンテキスト(つまり標準ユーザ-アシストインタラクション)における関数呼び出しにおいて、より優れた精度を達成することを示す。 Instruction-Followed Function Calling (IFFC) は,関数呼び出しロジックを一次LLMから切り離し,命令追従パラダイム内で動作する専用モデルに委譲する新しいフレームワークである。提案手法は,ネイティブ関数呼び出し(NFC)とプロンプトベースの関数呼び出し(PFC)の両方のベースラインを一貫して上回る。さらに,IFFCはアグレッシブ量子化下でのロバストな性能を保ち,デバイス上での効率的な展開が可能であり,精度の劣化を伴わないことを示す。この研究は、エッジコンピューティングシナリオにおける信頼性が高く、リソース効率のよい関数呼び出しのための新しいパラダイムを確立する。

関連論文リスト

VeriAgent: A Tool-Integrated Multi-Agent System with Evolving Memory for PPA-Aware RTL Code Generation [52.43796056267479]
高品質なベリログコード生成のためのPPA対応ツール統合マルチエージェントフレームワークを提案する。当社のフレームワークでは,EDAツールをtextitProgrammer Agent, textitCorrectness Agent, textitPPA Agentで構成されるクローズドループワークフローに明示的に組み込んでいる。モデル再トレーニングなしに継続的な改善をサポートするために,構造化メモリノードに最適化エクスペリエンスを外部化するtextitEvolved Memory Mechanismを導入する。
論文参考訳（メタデータ） (2026-03-18T11:25:40Z)
Exploring Weaknesses in Function Call Models via Reinforcement Learning: An Adversarial Data Augmentation Approach [1.4795423578096045]
本稿では,Large Language Models (LLMs) の関数呼び出し機能を改善するために,新たな逆データ拡張手法を提案する。我々のトレーニングフレームワークでは,関数呼び出し(FC)モデルに挑戦するために特別に設計された逆クエリを生成するために,強化学習で訓練されたクエリモデルを導入している。全体として,本手法はより堅牢なFCモデルの開発を進め,LCMが外部ツールと対話する際の弱点を特定し,修正するための体系的な方法を提供する。
論文参考訳（メタデータ） (2026-01-27T02:49:07Z)
Finding the Translation Switch: Discovering and Exploiting the Task-Initiation Features in LLMs [69.28193153685893]
大きな言語モデル(LLM)は、タスク固有の微調整なしでも、しばしば強力な翻訳能力を示す。このプロセスをデミスティフィケートするために、スパースオートエンコーダ(SAE)を活用し、タスク固有の特徴を特定するための新しいフレームワークを導入する。我々の研究は、LLMの翻訳機構のコアコンポーネントをデコードするだけでなく、内部モデル機構を使用してより堅牢で効率的なモデルを作成するための青写真も提供しています。
論文参考訳（メタデータ） (2026-01-16T06:29:07Z)
ToolPRM: Fine-Grained Inference Scaling of Structured Outputs for Function Calling [43.92559842380089]
本稿では,細粒度ビームサーチとプロセス報酬モデルであるToolPRMを組み合わせた推論スケーリングフレームワークを提案する。 ToolPRMをトレーニングするために、我々は、最初のきめ細かい呼び出しプロセス監視データセットを構築した。実験により、ToolPRMは予測精度で粗い粒度と結果の報酬モデルを上回ることが示された。
論文参考訳（メタデータ） (2025-10-16T14:06:03Z)
FunReason: Enhancing Large Language Models' Function Calling via Self-Refinement Multiscale Loss and Automated Data Refinement [23.301601376960104]
大規模言語モデルの関数呼び出し機能を強化するフレームワークであるFunReasonを紹介する。 FunReasonは、解析可能性、推論コヒーレンス、関数呼び出しの精度に焦点を当てた高品質なトレーニング例を生成する。 FunReasonは、微調整中に破滅的な忘れを効果的に軽減しながら、GPT-4oに匹敵するパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-05-26T16:38:06Z)
Planning without Search: Refining Frontier LLMs with Offline Goal-Conditioned RL [62.984693936073974]
大きな言語モデル(LLM)は、質問応答や対話といったタスクに優れています。交渉や説得のような相互作用を必要とする複雑なタスクは、さらなる長期の推論と計画を必要とする。目的条件付き値関数を用いて LLM エージェントの推論を導出する手法を提案する。
論文参考訳（メタデータ） (2025-05-23T16:51:54Z)
Improving Small-Scale Large Language Models Function Calling for Reasoning Tasks [0.8425561594225592]
本研究では,関数呼び出しにおいて,より小さな言語モデルを訓練するための新しいフレームワークを提案する。特定の論理的および数学的推論タスクに焦点を当てている。このアプローチは,関数呼び出しによるこれらのタスクの小型モデルの性能向上を目的としている。
論文参考訳（メタデータ） (2024-10-24T16:27:35Z)
Reference Trustable Decoding: A Training-Free Augmentation Paradigm for Large Language Models [79.41139393080736]
大規模言語モデル(LLM)は急速に進歩し、印象的な機能を示している。 In-Context Learning (ICL) など。効率的なファインチューニング(PEFT)は、現在2つの主要な拡張方法である。下流タスクへのLLM。我々は、モデルが微調整なしで新しいタスクに迅速に適応できるパラダイムである参照信頼復号(RTD)を提案する。
論文参考訳（メタデータ） (2024-09-30T10:48:20Z)
Granite-Function Calling Model: Introducing Function Calling Abilities via Multi-task Learning of Granular Tasks [35.97890508648945]
我々はApache 2.0ライセンスの下で-20B-FUNCTIONCALLINGモデルを紹介します。モデルは7つの基本的なタスクに対してマルチタスクトレーニングアプローチを使用してトレーニングされる。 20B-FUNCTIONCALLINGは、7つの異なる評価データセットにおいて、複数のタスクに対してより一般化可能であることを示す。
論文参考訳（メタデータ） (2024-06-27T17:47:26Z)
If LLM Is the Wizard, Then Code Is the Wand: A Survey on How Code Empowers Large Language Models to Serve as Intelligent Agents [81.60906807941188]
大型言語モデル(LLM)は、自然言語と形式言語(コード)の組み合わせに基づいて訓練されるコードは、標準構文、論理一貫性、抽象化、モジュール性を備えた高レベルの目標を実行可能なステップに変換する。
論文参考訳（メタデータ） (2024-01-01T16:51:20Z)
An LLM Compiler for Parallel Function Calling [68.04566807806071]
我々は,複数の関数呼び出しを効率的にオーケストレーションするために並列に関数を実行するLLMCompilerを紹介する。 ReActと比較して、一貫したレイテンシの高速化が3.7倍、コストの削減が6.7倍、精度が9%向上している。
論文参考訳（メタデータ） (2023-12-07T18:32:04Z)

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。