論文の概要: Davinci-Tool: Scaling Agentic Tool-Use Supervision with Verifiable Executable Environments
- arxiv url: http://arxiv.org/abs/2610.16867v1
- Date: Mon, 12 Oct 2026 14:33:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.387928
- Title: Davinci-Tool: Scaling Agentic Tool-Use Supervision with Verifiable Executable Environments
- Title（参考訳）: Davinci-Tool: 実行可能な環境を検証可能なエージェントツールのスケールアップ
- Abstract要約: Davinci-Toolは、環境カバレッジと結果の検証を一緒にスケールするために設計された30Bツールの使用モデルである。
Davinci-ToolDataは、復元可能な状態、実行トレース、結果、検証を管理のための統一された基盤として保存する。
Davinci-ToolはQwen3-Coder-30B-A3B-Instructを52.4ドルから88.2ドル、BFCL v4マルチターンで30.4ドルから62.8ドル、MCP-Atlasで16.9ドルから56.2ドルに改善した。
- 参考スコア（独自算出の注目度）: 65.08394586229379
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable agentic tool use requires training data that pair diverse multi-step workflows with executable evidence that the requested outcomes were achieved. Scaling either trajectory coverage or verification alone is insufficient as new environments introduce distinct states, rules, and dependencies that must also be reflected in the success criteria. To address this challenge, we introduce Davinci-Tool, a 30B tool-use model, and Davinci-ToolData, an execution-grounded dataset designed to scale environment coverage and outcome verification together. Davinci-ToolData preserves restorable states, execution traces, outcomes, and verifiers as a unified substrate for supervision. Two complementary pipelines populate this substrate: Execution-Grounded Task Synthesis (EGTS) derives verified demonstrations from independently authored systems, and Executable Environment Synthesis (EES) synthesizes auditable environments, state-grounded tasks, and executable verifiers across single and coordinated domains. These pipelines yield 30,395 verified trajectories spanning 2,260 invoked tool names. We first train on these demonstrations with supervised fine-tuning, then reuse EES states and verifiers to compare alternative actions and construct outcome-grounded preferences for Direct Preference Optimization. Davinci-Tool improves Qwen3-Coder-30B-A3B-Instruct from 52.4 to 88.2 on $τ^2$-bench, from 30.4 to 62.8 on BFCL v4 multi-turn, and from 16.9 to 56.2 on MCP-Atlas, outperforming Qwen3-Coder-480B-A35B-Instruct on all three benchmarks with only 1/16 of its total parameters. Code is available at https://github.com/MassLab-SII/Davinci-Tool.
- Abstract（参考訳）: 信頼性の高いエージェントツールの使用には、さまざまなマルチステップワークフローと、要求された結果が達成されたことを示す実行可能な証拠を組み合わせたトレーニングデータが必要である。
新しい環境は、成功基準にも反映される必要がある異なる状態、ルール、依存関係を導入するため、軌道のカバレッジや検証のみをスケールすることは不十分である。
この課題に対処するために、30BツールユースモデルであるDavinci-Toolと、環境カバレッジと結果検証を一緒にスケールするために設計された実行基盤データセットであるDavinci-ToolDataを紹介します。
Davinci-ToolDataは、復元可能な状態、実行トレース、結果、検証を管理のための統一された基盤として保存する。
Execution-Grounded Task Synthesis (EGTS) は独立して認可されたシステムから実証されたデモを導出し、Executable Environment Synthesis (EES) は監査可能な環境、ステートグラウンドされたタスク、および単一のドメインと調整されたドメインにわたる実行可能検証を合成する。
これらのパイプラインは、2,260の呼び出しされたツール名にまたがる30,395の検証軌道を生成する。
まず、これらのデモを教師付き微調整でトレーニングし、次にEES状態と検証器を再利用し、代替アクションを比較し、直接選好最適化のための結果に基づく選好を構築する。
Davinci-ToolはQwen3-Coder-30B-A3B-Instructを、$τ^2$-benchで52.4から88.2、BFCL v4 multi-turnで30.4から62.8、MCP-Atlasで16.9から56.2に改善し、Qwen3-Coder-480B-A35B-Instructを合計パラメータの1/16のベンチマークで上回った。
コードはhttps://github.com/MassLab-SII/Davinci-Tool.comで入手できる。
関連論文リスト
- Joint Optimization of Tool Creation and Use for Large Language Model Agents [69.07066297088187]
SMITH (-grounded Multi-task Iterative Tool Honing) は、単一のポリシー内でツールの作成とツールの使用を訓練する。
SMITHで訓練された4B Qwen3は、正確に検証された13の手続き的推論タスクで、保持されたタスクで平均79.8のマクロ平均精度に達する。
また、TabMWP-Hardでは40.4、ドメイン外のGQAでは42.6に到達している。
論文 参考訳（メタデータ） (2026-08-25T13:59:34Z) - HyperTool: Beyond Step-Wise Tool Calls for Tool-Augmented Agents [52.33697136670754]
textbfHyperToolは、実行可能なMPPスタイルのツールインターフェースで、ツール実行のモデル可視単位を変更する。
モデルはHyperToolをコードブロックで呼び出し、既存のツールを元のスキーマを通じて呼び出し、返却された値を操作し、中間結果をローカルに渡すことができる。
MCP-Universeでは、HyperToolは平均精度をQwen3-32Bで15.69%から35.29%、Qwen3-8Bで9.93%から33.33%に改善し、GPT-OSSとKimi-k2.5を平均で上回っている。
論文 参考訳（メタデータ） (2026-06-11T17:56:36Z) - EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。
実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。
EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
論文 参考訳（メタデータ） (2026-06-09T17:57:16Z) - Tool Forge: A Validation-Carrying Toolchain for Governed Agentic Execution [3.2702644625831794]
本稿では,自然言語能力の意図をサンドボックスで検証されたツールアーティファクトに変換する検証用ツールチェーンであるTool Forgeを紹介する。
また、モデルコンテキストに完全なカタログスキーマをロードする代わりに、インテントスコープツールセッションを公開するルータも導入されている。
論文 参考訳（メタデータ） (2026-05-27T05:45:58Z) - Firefly: Illuminating Large-Scale Verified Tool-Call Data Generation from Real APIs [46.60041435990374]
本稿では,実世界のMPPサーバから検証済みのツールコールデータを生成するためのパイプラインFireFlyを紹介する。
実世界のツール空間のスケールを扱うために、ペアワイズツールグラフとサンプルサブDAGを構築します。
このパイプラインを適用すると、240のサーバと93のツールにまたがる5,144の検証タスクが生成される。
論文 参考訳（メタデータ） (2026-05-17T17:38:17Z) - 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) - Controllable and Verifiable Tool-Use Data Synthesis for Agentic Reinforcement Learning [82.89535601592739]
マルチレベル検証を用いた自己進化型合成により,信頼性の高い基本ツール利用軌跡を生成する2段階パイプラインを提案する。
これらの拡張は、トラクタツール、間接的または曖昧なユーザクエリ、ノイズ、マルチフォーマット、あるいは誤ったツール出力を導入します。
本設計では,標準事例に対する参照マッチングによる報酬の自動計算と,エラー検出などの特別な動作に対する軽量な判断支援検証を実現する。
論文 参考訳（メタデータ） (2026-04-10T18:38:52Z) - AlphaApollo: Orchestrating Foundation Models and Professional Tools into a Self-Evolving System for Deep Agentic Reasoning [110.57865233597762]
自己進化型エージェント推論システムであるAlphaApolloについて述べる。
基礎モデル(FM)における2つのボトルネックに対処することを目的としている。
AlphaApolloは、意図的に検証可能な推論を可能にするために、複数のモデルをプロのツールで編成する。
論文 参考訳（メタデータ） (2025-10-05T15:42:24Z) - Skywork-SWE: Unveiling Data Scaling Laws for Software Engineering in LLMs [19.766885088032932]
ソフトウェアエンジニアリング(SWE)は、次世代のLLMエージェントにとって重要なテストベッドとして登場した。
既存のデータセットのほとんどは、わずか数千のGitHubソースインスタンスに制限されている。
SWEデータセットのボリュームと多様性の両方を体系的にスケールするインクリメンタルな自動データキュレーションパイプラインを提案する。
論文 参考訳（メタデータ） (2025-06-24T03:53:36Z)
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。