ToolGrad「先答案后问题」造工具调用数据,通过率近100%
tokenbender · x · 2026-09-16
arXiv 论文 ToolGrad（ACL 2026 Findings）颠覆了传统工具调用数据合成范式：以往先生成用户查询、再用 DFS 等方法标注工具调用链，标注失败率高、成本大；ToolGrad 则先用文本「梯度」引导迭代构建有效的工具调用链，再反推合成对应用户查询。
关键结果：
- 产出的 ToolGrad-500 数据集工具调用更复杂、成本更低、通过率接近 100%
- 用其训练的模型优于昂贵基线数据集和专有 LLM 训练的模型
- 代码、数据集与模型均已开源
发帖人补充了一个可复用的合成数据套路：先产出/收集有效结果 → 推导出可能产生该结果的目标 → 变异增加多样性 → 验证 → 训练，并认为这一思路应推广到所有合成数据生成场景。
所属事件:「先答案后问题」合成数据法，通过率近 100%(2 条相关)→
「研究」频道最新
- 输出概率而非文字的新型语言模型：评测速度快 25 倍、成本低 600 倍 — danshipper · 2026-09-16
- 机器人灵巧操作的关键不是「全具身」,而是「对的双手」 — chris_j_paxton · 2026-09-16
- 数学家 Tony Feng 回应 Szegedy：AI 尚未真正超人类 — littmath · 2026-09-16
- Joe Emmens 团队从招聘启事构建科研任务分类学并开源 — JMateosGarcia · 2026-09-16
- Anthropic 研究者借 Claude 破解 Classic McEliece 挑战实例 — matthew_d_green · 2026-09-16
- StarVLA 提出表征中心训练:16 块 GPU 训 VLA,头部迁移提升 14 个百分点 — jiqizhixin · 2026-09-16