概述
Toolformer 是一种 2023 Meta AI 方法，可让语言模型自学何时以及如何调用计算器、搜索引擎和翻译器等外部工具。该模型不是人类标记工具调用，而是生成并过滤自己的训练示例，然后对真正有帮助的示例进行微调。
Toolformer 和自学工具使用是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
Toolformer，来自 Schick 等人。在 Meta AI，解决了一个悖论：大型模型擅长语言，但不擅长算术、新鲜事实和精确查找。训练循环是自我监督的。该模型给出了一些显示 API 调用语法的人工编写示例，然后提示在大型文本语料库的许多位置插入候选调用（用特殊标记包装）。每个候选调用都会实际执行，并且结果会被拼接进去。只有当 API 结果比不调用或以不同方式调用更能降低模型对即将到来的真实文本的困惑时，关键过滤步骤才会保留工具调用。然后，该模型在这个经过过滤的、自行生成的数据集上进行微调，学习调用五个工具：计算器、QA 系统、搜索引擎、翻译器和日历。
技术洞察
决定性的想法是自监督过滤目标。对于每个候选位置，Toolformer 都会比较插入 API 结果与不插入 API 结果时预测以下标记的损失。损失减少超过阈值的呼叫将被保留；无用或嘈杂的呼叫将被丢弃。这意味着不需要对“正确”工具使用进行人工注释，模型本身会决定哪些调用真正提供信息，并且它会共同学习放置和参数。
掌握 Toolformer 和自学工具的使用
Toolformer 是一种 2023 Meta AI 方法，可让语言模型自学何时以及如何调用计算器、搜索引擎和翻译器等外部工具。该模型不是人类标记工具调用，而是生成并过滤自己的训练示例，然后对真正有帮助的示例进行微调。 Toolformer 和自学工具使用是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将 Toolformer 和自学工具使用视为一种操作模型，而不是单一功能：定义所需的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用 Toolformer 和自学工具使用的强大团队根据可靠性和成本优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
在句子中间调用计算器 API 以获得精确的算术结果，而不是猜测数字答案。
查询搜索或 QA 系统以获取最新或很少见的事实信息。
调用机器翻译工具在生成的文本中呈现另一种语言的短语。
使用日历/日期工具将“下周五”等相对引用解析为具体日期。
实施模式
Toolformer 和自学工具的实践使用
在句子中间调用计算器 API 以获得精确的算术结果，而不是猜测数字答案。
在句子中间调用计算器 API 来获得精确的算术，而不是猜测数字答案 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
Toolformer 和自学工具的实践使用
查询搜索或 QA 系统以获取最新或很少见的事实信息。
查询搜索或 QA 系统以获取最新或很少见的事实信息 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
Toolformer 和自学工具的实践使用
调用机器翻译工具在生成的文本中呈现另一种语言的短语。
调用机器翻译工具在生成的文本中以另一种语言呈现短语当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
Toolformer 和自学工具的实践使用
使用日历/日期工具将“下周五”等相对引用解析为具体日期。
使用日历/日期工具来解决诸如“下周五”之类的具体日期的相关引用当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。