ToolLoop：通过分解生成和动态自反馈进行闭环工具使用数据合成

高质量的工具使用数据对于训练语言模型与外部工具有效交互至关重要。然而，现有的合成方法通常遵循具有静态事后验证的生成然后过滤范例，通常会产生特征分布不平衡的低效数据。我们提出了 ToolLoop，一个闭环框架，它将综合分解为三个渐进阶段：（1）采样函数名称组合为 真值； (2)用户查询的向后推导； (3)工具调用的前向推导。在每个阶段，动态自反馈迭代引导模型走向高质量生成，实现从生成-然后过滤到生成-验证-细化的转变。在伯克利函数调用排行榜 (BFCL) 上，使用我们的 11K 综合示例训练的 4B 参数模型在非推理模式下达到了 86.40% 的准确率，而删除 BFCL 重叠候选函数的 Isolate 变体仍然达到 86.07\%。 ACEBench 上的跨基准评估进一步证明了很强的泛化性，仅使用 18.3% 的基线训练数据即可获得 72.1% 的总体准确率。