Function Calling Synthetic Data Generation Small Language Models Tool Use
摘要

小型语言模型(SLMs)因低延迟、低成本和隐私优势适合Agent部署,但在工具使用任务中常受限于稀缺且噪声大的训练数据。本文提出Data Turnstile,一个开源框架,可根据用户定义的API规范生成高质量的函数调用合成训练数据。该框架将多轮工具交互分解为受限的逐步生成过程,结合验证和错误反馈循环,实现对API多样性、对话复杂度和输出正确性的细粒度控制。实验表明,基于Turnstile数据微调的Qwen3-0.6B在单轮和多轮基准测试中性能显著提升,甚至超越参数量大得多的基座模型,证明了高质量数据对提升小模型工具使用能力的关键作用。

AI 推荐理由

论文核心聚焦于函数调用(工具使用)数据的生成与优化,直接解决Agent技能学习中的数据瓶颈问题。

研究机构
Amazon AGI, Bengaluru, India
论文信息
作者 Goutham Ramakrishnan, Megha Sharma
发布日期 2026-07-31
arXiv ID 2607.29250
相关性评分 9/10 (高度相关)