ToolBench / ToolLLM

保真度：核心机制复现。本页不把确定性 mini-suite 冒充原论文完整 benchmark。

论文信息

字段	内容
论文链接	ToolBench / ToolLLM（arXiv 2305.16504）
公司 / 机构	Tsinghua University
首次公开日期	2023-05-25（arXiv v1）
原作者代码	否：未发现/未发布该论文原作者官方代码仓库
本地 adapter / 方法键	toolbench
本地复现代码	src/auto_research/agent_research/

原始论文总结

背景与主要改动

分析开源 LLM 工具失败后，组合程序化使用样例、system prompt、in-context demonstration retriever 与生成格式约束。

flowchart LR
 A["公开输入"] --> B["toolbench 核心机制"]
 B --> C["同预算训练 / 执行"]
 C --> D["公开评测与诊断"]

原论文关键图

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ a^*=\arg\max_a p_\theta(a|x,D_{tool},p_{sys}),\quad R=\mathbf1[\operatorname{execute}(a)=y]. \]

论文离线与线上效果

最高 90% tool success；8 个 ToolBench 任务中 4 个可与 GPT-4 竞争。 论文未报告生产线上 A/B，本页不补造线上数字。

本地复现

planbench-mini、120 episodes、seed 42：joint success 1.0000，average cost 0.8400。

auto-research agent-study --method toolbench --benchmark planbench-mini --episodes 120 --seed 42
auto-research evolve --model agent --dataset planbench-mini --direction "组合 toolbench 与已安装论文算子" --generations 2 --population 4

固定指标见 ../../experiments/global-p1-20260808-seed42.json。

复现边界

本地只验证论文特有目标、状态更新或评测协议；没有复刻原论文大模型、多卡训练、私有环境或完整公开 benchmark，因而只报告机制验证。