ChatPaper.aiChatPaper

ToolSandbox: Een Stateful, Conversational, Interactief Evaluatiebenchmark voor LLM Toolgebruikscapaciteiten

ToolSandbox: A Stateful, Conversational, Interactive Evaluation Benchmark for LLM Tool Use Capabilities

August 8, 2024
Auteurs: Jiarui Lu, Thomas Holleis, Yizhe Zhang, Bernhard Aumayer, Feng Nan, Felix Bai, Shuang Ma, Shen Ma, Mengyu Li, Guoli Yin, Zirui Wang, Ruoming Pang
cs.AI

Samenvatting

Recente vooruitgang in grote taalmodellen (LLMs) heeft een groeiende onderzoeksinteresse gewekt in het oplossen van real-world uitdagingen met behulp van tool-geassisteerde LLMs, wat een uitgebreide evaluatie van tool-gebruikscapaciteiten vereist. Terwijl eerdere werken zich richtten op het evalueren van stateless webservices (RESTful API), gebaseerd op een enkele gebruikersprompt, of een off-policy dialoogtraject, omvat ToolSandbox stateful tool-uitvoering, impliciete staat-afhankelijkheden tussen tools, een ingebouwde gebruikerssimulator die on-policy conversatie-evaluatie ondersteunt, en een dynamische evaluatiestrategie voor tussenliggende en finale mijlpalen over een willekeurig traject. We tonen aan dat open-source en propriëtaire modellen een aanzienlijk prestatieverschil vertonen, en complexe taken zoals State Dependency, Canonicalization en Insufficient Information, zoals gedefinieerd in ToolSandbox, zelfs de meest capabele state-of-the-art LLMs uitdagen, wat nieuwe inzichten biedt in de tool-gebruikscapaciteiten van LLMs. Het ToolSandbox evaluatieframework is vrijgegeven op https://github.com/apple/ToolSandbox.
English
Recent large language models (LLMs) advancements sparked a growing research interest in tool assisted LLMs solving real-world challenges, which calls for comprehensive evaluation of tool-use capabilities. While previous works focused on either evaluating over stateless web services (RESTful API), based on a single turn user prompt, or an off-policy dialog trajectory, ToolSandbox includes stateful tool execution, implicit state dependencies between tools, a built-in user simulator supporting on-policy conversational evaluation and a dynamic evaluation strategy for intermediate and final milestones over an arbitrary trajectory. We show that open source and proprietary models have a significant performance gap, and complex tasks like State Dependency, Canonicalization and Insufficient Information defined in ToolSandbox are challenging even the most capable SOTA LLMs, providing brand-new insights into tool-use LLM capabilities. ToolSandbox evaluation framework is released at https://github.com/apple/ToolSandbox
PDF184February 7, 2026