معرفی ابزار ToolGrad برای تولید کارآمد داده‌های استفاده از ابزار با گرادیان‌های متنی
پژوهشگران گوگل چارچوب داده‌سازی ToolGrad را معرفی کرده‌اند که با رویکرد «پاسخ‌اول»، زنجیره‌های استفاده از ابزار را پیش از پرس‌وجوی کاربر تولید می‌کند. این روش کارایی را افزایش داده و به مدل‌های زبانی کوچک‌تر اجازه می‌دهد تا عملکردی در سطح مدل‌های پیشرفته از خود نشان دهند.
عوامل هوش مصنوعی برای انجام خودکار وظایف دنیای واقعی نیازمند یادگیری نحوه استفاده صحیح و کارآمد از ابزارها هستند. برای آموزش این مدل‌ها به مجموعه‌داده‌هایی از زنجیره‌های استفاده از ابزار و پرس‌وجوهای مربوطه نیاز است. روش‌های سنتی معمولاً مبتنی بر جستجوی عمق‌اول و تولید پرس‌وجو از یک استخر API بودند که فرآیندی پرهزینه و ناکارآمد محسوب می‌شود.
در مقاله ToolGrad که در کنفرانس ACL 2026 ارائه شده، پارادایم جایگزینی معرفی شده است که ابتدا پاسخ و زنجیره استفاده از ابزار را تولید کرده و سپس پرامپت کاربر را بر اساس آن شرح می‌دهد. این روش پاسخ‌اول اطلاعات صریح‌تری فراهم می‌کند و به مدل‌ها اجازه می‌دهد داده‌های پیچیده‌تری را با هزینه کمتر تولید کنند.
ارزیابی‌های انجام‌شده نشان می‌دهد مدل‌های آموزش‌داده‌شده با این چارچوب عملکرد بسیار بهتری در بنچمارک‌های مختلف داشته‌اند و حتی توانسته‌اند از مدل‌های پایه بدون تنظیم دقیق پیشی بگیرند. این پژوهش گامی مؤثر در جهت کاهش هزینه‌ها و رفع موانع مقیاس‌پذیری در تولید داده‌های آموزشی برای عوامل هوش مصنوعی است.
گزارش فارسی این خبر با کمک هوش مصنوعی و فقط بر اساس اطلاعات منتشرشده در منبع تهیه شده است.