论文页 - 循环语言模型提升组合式工具调用能力

来源：https://huggingface.co/papers/2608.18171

摘要

循环语言模型通过循环计算，能更有效地进行组合式、多步骤的工具调用，同时通过自适应推理平衡准确性与计算成本。

循环语言模型 (https://huggingface.co/papers?q=Looped%20language%20models) 在推理基准测试上展现出良好潜力，但其在智能体工具调用方面的潜力仍很大程度上未被探索。我们在组合式工具调用 (https://huggingface.co/papers?q=compositional%20tool-calling) 场景下研究这个问题。在此类场景中，模型需要协调多次 API 调用、维护中间状态，并在工具交互过程中保持依赖关系。我们在 API-Bank (https://huggingface.co/papers?q=API-Bank)、BFCL (https://huggingface.co/papers?q=BFCL) 和 NESTful (https://huggingface.co/papers?q=NESTful) 上评估了原生和改造后的循环语言模型 (https://huggingface.co/papers?q=looped%20language%20models)，对比了在匹配的监督微调策略下训练的循环与非循环模型，并考察了推理时不同循环深度 (https://huggingface.co/papers?q=recurrent%20depth) 的影响。在受控实验中，循环计算通常对组合式、感知依赖的工具调用有益，而对孤立的 API 调用则带来较小且因模型而异的增益。多步骤工具调用 (https://huggingface.co/papers?q=multi-step%20tool%20use) 的准确性通常随循环深度 (https://huggingface.co/papers?q=recurrent%20depth) 增加而提高；然而，自适应推理 (https://huggingface.co/papers?q=adaptive%20inference) 通过仅在需要时分配额外计算，实现了更优的计算性能权衡。我们的结果表明，循环语言模型 (https://huggingface.co/papers?q=looped%20language%20models) 是智能体系统 (https://huggingface.co/papers?q=agentic%20systems) 的一个有前途的架构，这些系统需要可靠的规划、协调以及组合式工具使用工作流的执行。

查看 arXiv 页面 (https://arxiv.org/abs/2608.18171)查看 PDF (https://arxiv.org/pdf/2608.18171)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.18171)

在您的智能体中获取此论文：

hf papers read 2608\.18171

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

暂无模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2608.18171 以从本页链接。

引用此论文的数据集0

暂无数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2608.18171 以从本页链接。

引用此论文的空间0

暂无空间链接此论文

在空间的 README.md 中引用 arxiv.org/abs/2608.18171 以从本页链接。

包含此论文的收藏集0

暂无收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection) 以从本页链接。