新闻详情

新闻详情

首页 / 资讯中心 / 详情

什么是 LLM 的工具调用(Function Calling)能力?它是如何被训练出来的?

发布时间:2026/11/18 14:56:22来源:尧图网络
什么是 LLM 的工具调用(Function Calling)能力?它是如何被训练出来的?
什么是 LLM 的工具调用Function Calling指模型在对话中主动决定调用某个外部工具/函数并输出结构化的调用请求函数名 参数而不是直接给出最终答案。典型流程系统提示词里提供工具清单函数名、参数 schema、用途说明模型判断当前需要外部信息/操作时输出一个tool_call如{name:search_db,arguments:{sql:...}}框架解析并执行该工具把结果回填给模型模型基于工具结果继续推理直到给出最终回答关键点工具调用是模型自主决策不是硬编码且输出是结构化 JSON可被程序解析执行。它让 LLM 从只会说话变成能做事——查库、调 API、发邮件、执行代码。它是如何被训练出来的工具调用不是模型天生就会的而是通过多阶段训练习得核心是让模型学会何时调用 如何正确填参1. 预训练Pretraining模型在海量文本中学会了函数签名、API 文档、JSON 语法等基础语言模式为后续理解工具 schema 打底但此时并不会主动调用。2. 监督微调SFT用人工/自动构造的对话→工具调用样本微调给定用户请求 工具清单标注正确的tool_call选哪个函数、填什么参数。让模型学会识别需要外部信息的场景、匹配正确的工具、生成合法参数 JSON。数据来源人工标注、从真实 API 调用日志构造、用更强模型合成distillation。3. 偏好对齐RLHF / DPO / RLVR用奖励模型或可验证奖励如参数是否合法“是否调对了工具”“最终任务是否成功”对模型做强化学习。让模型学会权衡什么时候该调用避免过度调用或该调不调、参数填得准、调用失败后如何恢复。近年常用RLVR可验证奖励强化学习直接以工具执行是否成功、结果是否正确作为奖励信号显著提升工具调用的准确率。4. 工具调用数据的关键设计多工具选择从多个候选工具中选对的那个参数填充从用户输入/上下文抽取正确参数值多轮工具循环调用→看结果→再决策ReAct 式轨迹错误恢复工具报错后如何重试/降级一句话工具调用能力 预训练打底懂函数/JSON 语法 SFT 教会何时调用、怎么填参 RLHF/RLVR 教会调得准、调得稳。它把模型从生成文本升级为生成可执行的结构化动作是 Agent 能闭环执行任务的核心能力。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/18 14:20:46

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉