Redian新闻
>
API-Bank:用于评估LLMs使用外部工具能力的测试基准

API-Bank:用于评估LLMs使用外部工具能力的测试基准

科技

导言:试想一下这个场景,未来的人工智能助理可以帮你完成衣食住行的各种需求,帮你查天气、订外卖、预定酒店、召开会议。一切的一切都由你提出需求,而他自行检索公开的接口,学习接口的文档并使用这些接口来完成。整个过程可能需要多轮检索,多种接口组合来完成。这一切都不需要用户参与,人工智能成长为真正有用和全知全能的智能体。而这个场景可能真的将要发生。


近年来,GPT-3、Codex、ChatGPT 和 GPT-4 等大型语言模型(LLMs)取得了显著进展,在多个开放领域任务中展现出越来越接近人类的能力,包括对话能力、In-context Learning 和代码生成等。有些研究人员甚至认为 LLMs 可能成为通向人工通用智能的途径。


尽管如此,现有的 LLMs 仍存在局限性,由于模型知识的来源只有训练数据,信息过时的问题是不可避免的。因此,研究人员开始探索如何利用外部工具来进一步增强 LLMs 的能力,例如通过搜索引擎等工具访问实时信息、与第三方服务进行交互等。目前备受关注的 HuggingGPT、GPT-4 Plugins 和 AutoGPT 等项目正是基于这一思路发展而来。


在此背景下,阿里巴巴达摩院的研究员们提出了 API-Bank,这是第一个专门用于评估 LLMs 使用外部工具能力的基准评估系统,并采用了一种全新的具备扩展性的 LLMs 使用工具的范式。API-Bank 包含 53 个常用API、支持数据库以及 264 组对话数据,标注了 568 次 API 调用。该系统的设计目标是全面评估 LLMs 在 API 规划、检索和正确调用方面的能力。


所提出的 API 库、API 检索系统概念以及“检索-调用”的 API 使用范式,使 LLMs 能够摆脱有限语境的束缚,可以无限扩展可使用的工具。实验结果显示,GPT-3.5 相较于 GPT-3 涌现出了使用工具的能力,而 GPT-4 在规划性能上表现得更为优秀。然而,与人类表现相比,仍有很大的改进空间。论文中进行了详细的错误分析和案例研究,证明了 Tool-Augmented LLMs 在实际应用中的可行性,同时揭示了未来研究需要解决的关键挑战。


论文链接:
https://arxiv.org/abs/2304.08244

GitHub仓库:

https://github.com/AlibabaResearch/DAMO-ConvAI/tree/main/api-bank


API-Bank 模拟真实世界并创建了包含 53 个常用工具的 API 库,例如搜索引擎、播放音乐、预订酒店、图像描述等,供 LLMs 调用。还包含了 264 个经过人工审核的对话、568 个 API 调用,来评估模型在给定的对话语境中,使用 API 完成用户需求的表现。评测系统的代码中包含所有 API 的实现、相关的支持数据库以及评估脚本,并将在近期公开。



API-Bank 将测试分为三个级别:


级别 1 评估 LLMs 正确调用 API 的能力。在给定 API的用法描述和对话历史的前提下,模型需要判断是否调用 API、正确地调用 API、获得 API 调用结果后正确的回复用户。


级别 2 进一步评估 LLMs 检索 API 的能力。在测试开始时,模型仅被告知 API 检索系统的用法,任何对话中需要用到的特定 API 的信息都不可见。LLMs 必须根据对话历史判断用户需求,关键词搜索可能能够解决用户需求的 API,并在检索到正确的 API 后学习如何使用 API。


级别 3 评估 LLMs 规划多个 API 调用的能力。在这个级别中,用户的需求可能不明确,需要多个 API 调用步骤来解决。例如:“我想从上海到北京旅行一周,从明天开始。帮我规划旅行路线并预订航班、门票和酒店”。LLMs 必须推断出合理的旅行计划,并基于计划调用航班、酒店和门票预订 API 来完成用户需求。


在 API-Bank 基准测试中,达摩院的研究人员首次实验评估了目前流行的 LLMs 使用工具的性能并给出了量化结果。结果表明,调用 API 是一种类似于解决数学问题的涌现能力。具体来说,GPT-3-Davinci 即使在最简单的级别 1 中依然难以正确的调用 API,而 GPT-3.5-Turbo 的 API 调用的正确性显著提高,成功率约为 50%。在级别 2 涉及 API 检索的测试中,GPT-3.5-Turbo 的成功率仍然能保持在 40%。


然而,当涉及到级别 3 需要 API 规划时,GPT-3.5-Turbo 遇到了许多错误,平均需要进行 9.9 轮对话才能完成用户需求,这相比于 GPT-4 增加了 38%。但即使是 GPT-4 也存在缺陷,它在 API 规划方面使用的对话轮数约比人类表现多 35%。



上图是一段截取的真实测试中出现的例子,其中 GPT-3.5 进行了一组意料之外的非常有趣的多轮 API 调用。左侧来自于模型,右侧代表 API 的响应。模型在这之前的聊天历史仅仅获取了GetUserToken 和 AddAgenda 两个 API 的使用说明,没有获取到用户的账户信息。


一开始,模型编造了一组用户名和密码,尝试获取令牌。由于 API-Bank 的初始数据库中没有这个账户的信息,这次尝试失败了。紧接着,模型创造性地尝试在系统中注册这个编造的账户,而不是向用户询问真实的账户信息。


巧合的是,模型通过搜索工具找到了 API-Bank 提供的注册账户的 API,这一点出乎了研究人员的意料,因为在该测试中并没有计划让模型注册账户。最后,模型注册了这个编造的账户,并为这个账户添加了日历,而不是用户真实的账户。这个例子反映出 GPT-3.5 具有基于 API 调用结果进行迭代改进的能力,甚至能解决调用中出现的异常。然而,也反映出模型的逻辑缺陷,仅关注于解决当下问题,而不能判断解决问题的方式是否对最终目标有意义。


论文中提供了详细的错误分析,以总结 LLMs 在使用工具时遇到的障碍。这些障碍包括拒绝进行 API 调用(尽管在提示中明确要求了这一点),以及编造不存在的 API。总的来说,该研究揭示了 LLMs 利用 API 使用工具的潜力,并指出了未来研究需要解决的挑战。达摩院的研究员们也指出,目前评测的形式和指标仍是一种尝试,后续的工作会继续对更合理的评测形式进行探索,期待和同行们相互启发共同研究。


作为第一个系统性基准测试,API-Bank 的推出是一个重要的里程碑,这提供了一种标准化的方式对 LLMs 使用外部工具的性能进行评估。随着 LLMs 的不断发展,API-Bank 的应用也更加广泛。这一基准测试的应用将有助于不同的 LLMs 模型公平的对比使用工具方面的能力,并有助于进一步推动 LLMs 的发展,向着更加通用的人工智能的目标迈进。总之,API-Bank 为我们提供了一种全新的 LLMs 评估方法,其应用将有助于我们更好地了解 LLMs 使用工具的能力,为 LLMs 的未来发展提供有益的启示和指导。



更多阅读



#投 稿 通 道#

 让你的文字被更多人看到 



如何才能让更多的优质内容以更短路径到达读者群体,缩短读者寻找优质内容的成本呢?答案就是:你不认识的人。


总有一些你不认识的人,知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁,促使不同背景、不同方向的学者和学术灵感相互碰撞,迸发出更多的可能性。 


PaperWeekly 鼓励高校实验室或个人,在我们的平台上分享各类优质内容,可以是最新论文解读,也可以是学术热点剖析科研心得竞赛经验讲解等。我们的目的只有一个,让知识真正流动起来。


📝 稿件基本要求:

• 文章确系个人原创作品,未曾在公开渠道发表,如为其他平台已发表或待发表的文章,请明确标注 

• 稿件建议以 markdown 格式撰写,文中配图以附件形式发送,要求图片清晰,无版权问题

• PaperWeekly 尊重原作者署名权,并将为每篇被采纳的原创首发稿件,提供业内具有竞争力稿酬,具体依据文章阅读量和文章质量阶梯制结算


📬 投稿通道:

• 投稿邮箱:[email protected] 

• 来稿请备注即时联系方式(微信),以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信(pwbot02)快速投稿,备注:姓名-投稿


△长按添加PaperWeekly小编



🔍


现在,在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧


·
·

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
【解盘晚餐】外部扰动 正好测试我们的韧性OpenAI现场演示官方版AutoGPT!创作画画发推一条龙,自主调用外部应用完成任务当LLM遇到Database:阿里达摩院联合HKU推出Text-to-SQL新基准​First republic bank 破产被JPMorgan Chase并购Bank of America 这类银行的确不像话CVPR 2023 | 南大王利民团队提出LinK:用线性核实现3D激光雷达感知任务中的large kernel以 LLM 为核心 LLM@Core:程序员的大语言模型技术指南*惊!纽约100多人使用外州驾照被捕!有的直接被送移民局,千万别再这种驾照了!Federal Farm Credit Bank 15yr callable 6.05%AGIEval:准确考察基础模型类人能力的基准评估工具北大、西湖大学等开源「裁判大模型」PandaLM:三行代码全自动评估LLM,准确率达ChatGPT的94%当你老了 。。。。。。HSBC 以一英镑的价格买下了SVB的英国业务(Bank's UK arm for £1 )小别胜新婚英语,等等2023武汉4号线柏(bǎi)林电影周 | 征片开启 | 选片组成员公布财报前瞻丨Block:用战略亏损换光明未来LLM-Pruner: 剪枝+少量数据+少量训练 = 高效的LLM压缩硬核观察 #931 谷歌在 iPhone 上测试基于自己的引擎的 Chrome硬核观察 #1004 研究称 AI 的涌现能力来自于评估模式的错误可复现、自动化、低成本、高评估水平,首个自动化评估大模型的大模型PandaLM来了Splunk:您的数据到底价值几何?-成熟的数据策略如何显著改善业务结果与乐高®好朋友系列一同开启友谊新篇章调查发现:近九成中国儿童希望玩具能够呈现更复杂的情感为多模态LLM指明方向,邱锡鹏团队提出具有内生跨模态能力的SpeechGPTZT: 糖基化终产物(AGEs)代码大模型综述:中科院和MSRA调研27个LLMs,并给出5个有趣挑战造假率高达34%!论文虚假、抄袭非常普遍,新工具能否遏制不正之风?从LLM到MLLM,多模态大规模语言模型KOSMOS-1赋予了语言模型看见世界的能力bank layoff 开始了Belmont公私校大对比:Belmont Hill vs Belmont HighUNReal 每周一场主题电音节|本周六𝘿𝙧𝙪𝙢 𝙣' 𝘽𝙖𝙨𝙨 炸裂舞池!探寻未来:元宇宙中的测试与挑战重磅!科普用于评职称将写进法律LLM底座模型:LLaMA、Palm、GLM、BLOOM、GPT结构对比上交清华提出中文大模型的知识评估基准C-Eval,辅助模型开发而非打榜反盗猎阶段性小胜:淘宝贩售盗猎工具能举报了!首销仅 32 元,硬件基准测试工具 3DMark 上架 Epic 商店由一张90年前的家照想起CREATOR制造、使用工具,实现LLM「自我进化」八年“老网红”Flink:揭秘实时流计算引擎全球化落地的演进历程基辅, 我的心心念念
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。