From Summary to Action: Enhancing Large Language Models for Complex Tasks with Open World APIs-优快云博客

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/136536951

本文介绍Sum2Act，一种新型推理框架，旨在通过控制大量真实世界API来增强LLM处理复杂任务的能力。与ReAct和DFSDT等方法相比，Sum2Act在ToolBench基准上表现出显著的性能提升，特别是在处理视觉和文本数据集成的任务上。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文是LLM系列文章，针对《From Summary to Action: Enhancing Large Language Models for Complex Tasks with Open World APIs》的翻译。

摘要

人类和动物的区别在于人类使用和创造工具的独特能力。工具使人类能够克服生理限制，促进伟大文明的创造。同样，使大型语言模型（LLM）等基础模型具有学习外部工具使用的能力，可能是实现通用人工智能的关键一步。该领域先前的研究主要采用两种不同的方法来增强LLM的工具调用能力。第一种方法强调构建用于模型微调的相关数据集。相反，第二种方法旨在通过情境学习策略充分利用LLM固有的推理能力。在这项工作中，我们介绍了一种新的工具调用管道，旨在控制大量的真实世界API。该管道反映了人工任务解决过程，解决了复杂的现实用户查询。在每一步，我们都会指导LLM总结所取得的成果，并确定下一步的行动方案。我们将这条管道称为“从总结到行动”，简称Sum2Act。在ToolBench基准上对我们的Sum2Act管道进行的经验评估显示，性能显著提高，优于ReAct和DFSDT等既定方法。这突出了Sum2Act在增强复杂现实世界任务的LLM方面的有效性。