标签
Qwythos-9B 是一款拥有 9B 参数、支持 1M 令牌上下文和原生工具调用的本地大语言模型，提供 GGUF 格式，适用于 Ollama、llama.cpp 和 LM Studio。其在关键基准测试中的表现显著超越其基础模型 Qwen3.5-9B。
讨论了AI代理中一个常见的失败模式：模型声称已执行工具调用但实际并未触发。主张在生产环境中信任执行回执而非代理叙述，以确保可靠性。
MiaAI Lab 发布了一份指南，用于通过 vLLM 以 NVFP4 量化方式运行 Google 的 Gemma 4 31B IT，支持 256k 上下文、MTP 推测解码、智能体推理、原生工具调用以及图像/视频支持。
Google 更新了 Gemma 4 的聊天模板，显著修复了工具调用，减少了惰性，在 Hopper GPU 上启用了 Flash Attention 4，并发布了交互式视觉指南。这些更新现已可在 Hugging Face 上获取。
Helix-agi 是一个自主代理框架，使用后台脉冲系统和微型 RAG 进行记忆，旨在完全本地运行于小型模型上。开发者讨论了工具调用方面的挑战，并寻求合作。
描述了在 8 节点 DGX Spark (GB10) 集群上使用定制 vLLM 分支部署和基准测试量化后的 GLM-5.2-Int4-Int8Mix 模型，实现了约 1,200 t/s 的预填充和约 35 t/s 的解码，支持 MTP 工具调用。
GnLOLot 发布了 MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking 模型的 GGUF 量化版本。该模型是一个 10 亿参数的思考模型，基于 Fable 5 数据微调，相比 V1 版本在工具调用/函数调用方面有所改进，旨在通过 llama.cpp 及兼容运行时进行本地部署。
OpenAI 发布 GPT-5.6 系列模型，每个 token 提供更多智能、更强方向一致性，并引入程序化工具调用、子代理委托和全新推理级别，显著提升自主开发效率。
本文识别了在代理语言模型的多教师同策略蒸馏中，学生模型过度依赖工具调用这一失败模式，并提出Soft Clamp方法，一种逐token散度校准方法，可在不牺牲准确率的前提下减少过度调用。
一位用户分享了他们在复杂工具调用任务中比较多个大语言模型（Qwen、Gemma）的经验，认为 Qwen3.5 122B 最可靠，同时批评了较小的 MoE 模型不稳定。
Maka是一个本地优先的桌面AI工作台，近期活跃贡献者增多，团队正在优化UI、重构架构、设计Memory和Agent FS接口，并新增多项Agent能力，旨在提供可观测、可控、可持续恢复的Agent体验。
一个实时仪表盘和统计分析显示，开源编码模型正以1.5倍的速度缩小与闭源模型的差距，一个27B模型已经在去污染基准测试中超越了Claude Opus。工具调用可靠性仍然是主要瓶颈。
这项重复研究独立验证了自然语言工具（NLT）框架在14个模型和8,560次试验中的有效性，结果显示，与结构化工具调用相比，NLT将工具调用准确率提高了14.9个百分点，并将关键错误减少了93%，其中较小模型和推理模型的收益最为显著。
Forethought 是一种神经符号推理系统，它将推理视为由符号与神经基元组合成的显式、可验证的程序。该系统可将基础模型准确率相对提升约 30%，使小模型在保持模型无关性与可审计性的同时，达到甚至超越前沿模型。
Swarm是一个用于构建代理工作流和多智能体系统的Swift框架，具备类型安全的工具调用、持久化检查点以及对多种LLM提供商的支持。
Flask 作者 Armin Ronacher 发现新版 Claude 模型（Opus 4.8、Sonnet 5）的工具调用能力退化，根因是 RL 后训练过度适配 Claude Code 的工具 schema，导致替代工具 schema 越来越难以正确生成。文章揭示了模型在特定工具调用场景下性能不升反降的现象，对 agent 开发有重要警示。
较新的Claude模型（Opus 4.8和Sonnet 5）在工具调用行为上表现更差，它们会在工具调用参数中发明额外的字段，导致验证失败，与旧模型相比是一种倒退。
MiniCPM5-1B-Claude-Opus-Fable5-Thinking 是一个紧凑的 10 亿参数思考型语言模型，基于 openbmb/MiniCPM5-1B 在 Fable 5 数据上微调而成，增强了编码和指令跟随能力，同时保留了原生的思考聊天模板和工具调用格式。它支持高达 128K 的上下文长度，适合本地部署。
对 PrismML 的 1-bit Bonsai-8B 与 IBM 的 Granite 及其他模型在 CPU 工具调用上的独立基准测试显示，在语法约束解码下，Bonsai-8B 的通过率达到 92%，超越了更大的模型，但在无约束条件下失败。Granite 是原始表现最好的模型，通过率为 72%。