論文の概要: How Do Agentic LLMs Decide to Call Tools? A Tool-Call Vector Shaped by Suppression

• arxiv url: http://arxiv.org/abs/2610.09624v1
• Date: Wed, 07 Oct 2026 08:01:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.791265
• Title: How Do Agentic LLMs Decide to Call Tools? A Tool-Call Vector Shaped by Suppression
• Title（参考訳）: エージェントLLMはどのようにツールを呼び出すか? 抑制によって形作られたツールコールベクター
• Abstract要約: モデルがツールを呼び出すか、直接応答するかを決定するメカニズムについて検討する。 エージェントプロンプトは長い足場があり、ロール命令、ツールスキーマ、フォーマットテンプレート、数百のトークンにわたるユーザの要求を組み合わせる。 本稿では,複雑なエージェントプロンプトを,単一の要求動詞がツールコール決定を決定する最小のコントラスト対に変換する手法を提案する。
• 参考スコア（独自算出の注目度）: 22.453568471418407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tool calling, invoking external tools on demand, is central to agentic LLMs, yet the mechanism that decides whether a model calls a tool or responds directly remains poorly understood. Agentic prompts are long and heavily scaffolded, combining role instructions, tool schemas, format templates, and the user's request across hundreds of tokens, creating a noisy, highly entangled context in which no single controllable variable for mechanistic analysis is obvious. To obtain such a variable, we propose a method that converts complex agentic prompts into minimal contrastive pairs in which a single request verb determines the tool-call decision: replacing an execution-verb (e.g., \textit{write}) with an analysis-verb (e.g., \textit{discuss}) reliably flips the decision, suggesting it is mediated by a compact internal state. We construct 500 such paired prompts across Python, Java, and C++ (300 for mechanistic analysis, 200 held out for evaluation). We trace the decision to a vector, $μ_Δ$, that is both causally necessary and sufficient and generalizes beyond the discovery prompts to native multi-turn $τ^2$-Bench trajectories and verb-free requests. Behavioral ablations show that the scaffold establishes a tool-call prior; Transcoder decomposition then reveals that analysis verbs suppress this prior through features signaling that tool use is unnecessary, whereas execution verbs largely leave it intact. Downstream scaffold-reading attention heads and MLP features read out the resulting state, and the same mechanism recurs across seven models from the Qwen, Mistral, and Granite families. Our code is available at https://github.com/XijieGo/MI4ToolCalling.
• Abstract（参考訳）: ツール呼び出しは、オンデマンドで外部ツールを呼び出すことで、エージェントLLMの中心であるが、モデルがツールを呼び出すか、直接応答するかを決定するメカニズムは、まだ理解されていないままである。 エージェントプロンプトは長い足場があり、ロール命令、ツールスキーマ、フォーマットテンプレート、数百のトークンにわたるユーザの要求を組み合わせることで、機械的解析のための単一の制御可能な変数が存在しない、騒々しい、非常に絡み合ったコンテキストを作り出す。 このような変数を得るために、複雑なエージェントプロンプトを最小のコントラスト的なペアに変換する手法を提案し、単一の要求動詞がツールコール決定を決定する:実行バーブ (e g , \textit{write}) を解析バーブ (e g , \textit{discuss}) に置き換える。 我々は、Python、Java、C++にまたがる500のペアプロンプトを構築します(機械解析には300、評価には200)。 我々はこの決定を、因果的に必要かつ十分なベクトルである$μ_Δ$にトレースし、発見プロンプトを超えてネイティブなマルチターン$τ^2$-Benchトラジェクトリと動詞なし要求に一般化する。 その後、Transcoder分解により、解析動詞がツールの使用が不要であることを示す機能を通じて、分析動詞がこれを抑制することが明らかになった。 下流の足場を読むアテンションヘッドとMLPの特徴は、結果の状態を読み出し、同じメカニズムがクウェン族、ミストラル族、グラナイト族の7つのモデルにまたがる。 私たちのコードはhttps://github.com/XijieGo/MI4ToolCalling.comから入手可能です。

関連論文リスト

• Toward SLM-based agentic task-tool intent matching [3.897391497125516]
  エージェントシステムの水平成長は、呼び出しごとの自動監視の必要性を動機付けている。 小型言語モデル (SLM) はタスクツールの関連分類器として機能する。 我々は、SLMの最適化と特殊化のために、プロンプト最適化、教師付き微調整、強化学習を利用する。
  論文  参考訳（メタデータ） (2026-10-02T12:31:01Z)
• Tunable Tool-Call Rates in LLM Agents via Representation Steering [45.332672398938136]
  本研究では,モデル自身のツール使用嗜好信号からトレーニングを受けずに抽出した残ストリーム内の1つの直線方向でツールを制御できることを示す。 また、その方向は、特定のツールの選択を好まずに、各ツール自身の方向と同等の強度で、見えないツールに一般化されていることも示しています。
  論文  参考訳（メタデータ） (2026-08-25T22:35:18Z)
• DeepAgent: A General Reasoning Agent with Scalable Toolsets [111.6384541877723]
  DeepAgentは、自律的な思考、ツール発見、アクション実行を実行するエンドツーエンドのディープ推論エージェントである。 長期にわたる相互作用の課題に対処するために,過去の相互作用を構造化エピソード,動作,ツール記憶に圧縮する自律的メモリ折り畳み機構を導入する。 LLMシミュレートされたAPIを活用し、ツール呼び出しトークンにきめ細かいクレジットを割り当てるツールコールアドバンテージ属性を適用した、エンドツーエンドの強化学習戦略であるToolPOを開発した。
  論文  参考訳（メタデータ） (2025-10-24T16:24:01Z)
• Repairing Tool Calls Using Post-tool Execution Reflection and RAG [5.352165816659788]
  エージェントシステムは,Python関数やREST APIエンドポイント,kubectlなどのコマンドラインツールをコールすることで,外部システムと対話する。 これらのツールコールは、様々な構文的および意味的な理由で失敗することが多い。 大規模言語モデル(LLM)に基づくリフレクションとドメイン固有検索拡張生成(RAG)を組み合わせたポストツール実行コンポーネントを開発した。
  論文  参考訳（メタデータ） (2025-10-17T03:50:37Z)
• MCP-Zero: Active Tool Discovery for Autonomous LLM Agents [13.005899769943442]
  ツール発見の自律性を LLM 自体に復元する,アクティブエージェントフレームワークである MCP-Zero を紹介する。 すべての利用可能なツールで圧倒的なモデルを使用する代わりに、CP-Zeroはエージェントが能率ギャップを積極的に識別し、特定のツールをオンデマンドで要求することを可能にする。 公式の Model-Context-Protocol リポジトリから 308 の MCP サーバと 2,797 ツールの包括的なデータセットである MCP-tools を構築した。
  論文  参考訳（メタデータ） (2025-06-01T15:48:53Z)
• 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)
• ControlLLM: Augment Language Models with Tools by Searching on Graphs [97.62758830255002]
  我々は,大規模言語モデル(LLM)が実世界のタスクを解くためのマルチモーダルツールを利用できる新しいフレームワークであるControlLLMを提案する。 フレームワークは,(1)複雑なタスクを明確なサブタスクに分割し,入力と出力を適切に定義したサブタスクに分解するtextittask Decomposer,(2)構築済みのツールグラフ上で最適なソリューションパスを探索する textitThoughts-on-Graph(ToG)パラダイム,(3)ソリューションパスを解釈して実行するリッチなツールボックスを備えた textitexecution Engine,の3つの主要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-10-26T21:57:21Z)
• Adapting Language Models to Compress Contexts [71.98287002918941]
  トランスフォーマーベースの言語モデル(LM)は強力で広く適用可能なツールであるが、その有用性は有限コンテキストウィンドウによって制限される。 本稿では,事前学習したLMを,長いコンテキストをコンパクトな要約ベクトルに圧縮可能なAutoCompressorに適応させることを提案する。 最大30,720個のトークンのシーケンスでOPTとLlama-2モデルを微調整し、AutoCompressorが長いコンテキストを使ってパープレキシティを向上できることを示す。
  論文  参考訳（メタデータ） (2023-05-24T06:42:44Z)

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。