循环语言模型改进组合式工具调用

循环语言模型（looped language models）已在推理基准上展现出可喜的结果，但其在智能体工具使用方面的潜力基本上尚未被探索。我们在组合式工具调用场景中研究这一问题：模型必须协调多个API调用、维护中间状态，并在工具交互之间保持依赖关系。我们在API-Bank、BFCL和NESTful上评估原生与改造的循环语言模型，在相同监督微调配方下比较循环与非循环模型，并在推理时改变循环深度。在受控实验中，循环计算总体上有利于组合式和依赖感知的工具使用，而对孤立API调用的收益较小且更依赖具体模型。多步工具使用的准确率通常随循环深度增加而上升；不过，自适应推理通过仅在需要时分配额外计算，达成了更有利的计算-性能权衡。我们的结果表明，循环语言模型是智能体系统的一种有前景的架构，适用于需要可靠规划、协调和执行组合式工具使用工作流的场景。