論文の概要: Toolcompass: Guiding Tool Trialing, Not Suppressing It

• arxiv url: http://arxiv.org/abs/2609.25678v1
• Date: Tue, 22 Sep 2026 04:32:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.224049
• Title: Toolcompass: Guiding Tool Trialing, Not Suppressing It
• Title（参考訳）: Toolcompass: ツールのトライアルをガイドする
• Abstract要約: Toolは、ツールコールを共有機能に従って整理することによって、ツール試行をガイドするポストトレーニングフレームワークである。 実験は、AppWorld OODタスクの成功をトレーニング後の最大10.71ポイント改善する。
• 参考スコア（独自算出の注目度）: 17.37664506194557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents must generalize from tools seen during training to unseen tools at deployment. A key challenge is tool trialing, i.e., excessive trials waste the interaction budget, whereas selective trials enable exploration of unfamiliar tools. Existing outcome-based post-training leaves wasteful trials unguided, while turn-level supervision may suppress necessary exploration. We introduce ToolCompass, a post-training framework that guides tool trialing by organizing tool-call representations according to shared functions. Specifically, ToolCompass models each function class as a von Mises--Fisher distribution and jointly reduces intra-function variation across domains and increases inter-function separation. This structure transfers experience from seen tools to functionally similar unseen tools, directing exploration away from unrelated alternatives. ToolCompass requires no ground-truth call traces or unseen-tool access and incurs no inference overhead. Experiments on AppWorld and FTRL show consistent gains across GRPO, RFT, and DMPO. improves AppWorld OOD task success by up to 10.71 percentage points over vanilla post-training and performs best among competitive baselines on both benchmarks.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、トレーニング中に見られるツールから、デプロイ時に見えないツールに一般化する必要がある。 重要な課題はツールの試行、すなわち過剰な試行は相互作用予算を浪費する一方、選択的な試行は馴染みの無いツールの探索を可能にすることである。 既存の成果に基づくポストトレーニングは無駄な試練を伴わず、ターンレベルの監督は必要な探索を抑制する可能性がある。 ツールコール表現を共有関数に従って整理することにより、ツール試行をガイドする、ポストトレーニングフレームワークであるToolCompassを紹介する。 具体的には、ToolCompassは各関数クラスをvon Mises-Fisher分布としてモデル化する。 この構造は、目に見えないツールから機能的に似ていないツールに経験を移し、無関係な代替品から探究する。 ToolCompassは、基幹的なコールトレースやunseen-toolアクセスを必要とせず、推論オーバーヘッドも発生しない。 AppWorldとFTRLの実験では、GRPO、RFT、DMPO間で一貫した利得を示している。 AppWorld OODタスクの成功を、バニラポストトレーニングよりも最大10.71ポイント向上し、両ベンチマークの競争ベースラインの中で最高のパフォーマンスを発揮する。

関連論文リスト

• Spurious Tool Use: When RL Agents Learn the Wrong Reason to Act [38.40533345940731]
  大規模言語モデル(LLM)エージェントは、外部ツールによる自然言語推論をますますインターリーブする。 RLを訓練したエージェントが、ツール選択ポリシーをいつ、なぜ学習するかについて検討する。
  論文  参考訳（メタデータ） (2026-09-14T19:31:04Z)
• ToolOmni: Enabling Open-World Tool Use via Agentic learning with Proactive Retrieval and Grounded Execution [49.30293260493709]
  大きな言語モデル(LLM)は、外部ツールを利用することで問題解決能力を高める。 静的埋め込み検索やパラメータ記憶に頼っている既存の手法は、ユーザの意図をツールのセマンティクスに合わせるのに苦労している。 提案するツールOmniは,プロアクティブ検索とグラウンドド実行により,オープンワールドツール利用のためのLLMを実現する統合エージェントフレームワークである。
  論文  参考訳（メタデータ） (2026-04-15T12:26:10Z)
• 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)
• Teaching LLMs to Learn Tool Trialing and Execution through Environment Interaction [31.689383152872534]
  ToolMasterは、ツールの使用を黄金のツール呼び出しトラジェクトリの模倣から、環境とのインタラクションを通じてツールの使用を積極的に学習するフレームワークである。 ツール計画と実行のためにLLMを最適化するために、ToolMasterはトライアルと実行のパラダイムを採用している。 実験の結果、ツールマスターは、見知らぬツールや馴染みのないツールをまたいだ一般化や堅牢性という点で、既存のベースラインを著しく上回ります。
  論文  参考訳（メタデータ） (2026-01-19T06:46:33Z)
• TRAJECT-Bench:A Trajectory-Aware Benchmark for Evaluating Agentic Tool Use [74.47746287181383]
  大規模言語モデル(LLM)ベースのエージェントは、現実のタスクを完了するためのツールの使用にますます依存している。 LLMのツール使用能力を総合的に評価するためのトラジェクトリ対応ベンチマークであるTRAJECT-Benchを紹介する。
  論文  参考訳（メタデータ） (2025-10-06T07:30:25Z)
• 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)

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。