数据旋转门：用于函数调用数据生成的可扩展开放框架

小语言模型 (SLM) 由于低延迟、降低成本和设备上的隐私性而对代理部署很有吸引力，但它们在训练数据稀缺且嘈杂的工具使用任务中遇到了困难。与较大的模型不同，SLM 无法通过纯粹的容量来弥补低质量的监督，从而使数据质量成为关键瓶颈。我们推出了 Data Turnstile，这是一个开源框架，它采用用户定义的 API 规范并生成用于函数调用的高质量合成训练数据。 Turnstile 将多轮工具使用交互分解为带有验证和错误反馈循环的受约束的逐步生成，从而提供对 API 多样性、对话复杂性和输出正确性的细粒度控制。我们在两个具有挑战性的函数调用基准上证明了使用 Turnstile 数据进行域适应的有效性。在 BFCL 单圈基准测试中，在没有思维链的情况下对 Turnstile 数据进行微调的 Qwen3-0.6B 总体准确率达到 75.9%（启用思维的基本模型为 67.4%），缩小了与启用思维的 Qwen3-1.7B (78.4%) 和 Qwen3-4B (79.9%) 的差距，尽管尺寸小了 3$\times$ 和 7$\times$分别。在 $τ^2$-bench（多轮代理基准）上，经过 Turnstile 训练的 Qwen3-1.7B 在电信领域实现了 31.1% 通过率^1，比其 6.6% 的基础提高了 4.7$\times$，并超过了 Qwen2.5-32B-Instruct (27.4%)，模型大了 19$\times$。经过 Turnstile 训练的 Qwen3-0.6B 达到了 24.6%，比 3.5% 的基础提高了 7$\times$，接近 32B 模型（大了 53$\times$）。我们发布了 Data Turnstile 以及涵盖 1,000 多个 API 和 100K 多个多轮交互的数据集。