Este conteúdo relata correções recentes e novos templates de chat para os modelos Gemma 4 do Google, visando melhorar o orçamento de raciocínio e a chamada de ferramentas. Ele oferece instruções para usuários de llama.cpp sobre como aplicar esses novos templates para garantir o funcionamento correto.
Dieser Beitrag erklärt, wie man Supervised Fine-Tuning (SFT) und Direct Preference Optimization (DPO) einsetzt, um die Genauigkeit der Tool-Aufrufe eines kleinen Sprachmodells zu verbessern. Er zeigt, wie Amazon SageMaker AI-Trainingsaufträge genutzt werden, um sich auf den Trainingscode zu konzentrieren und die Modellqualität zu bewerten.
Este artigo apresenta uma estrutura de avaliação de agentes de IA baseada na experiência de produção, enfatizando a importância de alinhar a ferramenta ao fluxo de trabalho em vez de focar apenas em benchmarks. Os critérios chave incluem confiabilidade com dados reais, qualidade da chamada de ferramentas, comportamento da janela de contexto para fluxos longos e custo em escala para determinar a viabilidade.
Needle ist ein 26-Millionen-Parameter-Modell, das Geminis Tool-Calling-Fähigkeiten erfolgreich destilliert hat und eine nahezu gleiche Genauigkeit zu einem Bruchteil der Rechenkosten erzielt. Dieser Durchbruch ist entscheidend für die Entwicklung von KI-Agenten und Edge-Implementierungen.
KI-Agenten haben sich über passive Chatbots hinausentwickelt. Dieser Inhalt beschreibt die Implementierung von Tool-Aufrufen mit Berechtigungsprüfung in Python-Agenten.
Dieses Dokument stellt eine detaillierte Roadmap zur Beherrschung des Tool Callings in KI-Agenten dar. Es zielt darauf ab, die Leser durch die wesentlichen Konzepte und Praktiken zur Implementierung und Optimierung dieser entscheidenden Funktionalität zu führen.
Dieser Inhalt hebt fünf kleine, quelloffene Sprachmodelle hervor, die sich durch ihre Unterstützung für strukturiertes Tool Calling auszeichnen, wodurch sie für agentenbasierte Anwendungen geeignet sind.
Dieses Tutorial zeigt, wie man Gemma 4 mit zwei neuen Tools ausstattet. Es demonstriert, wie das Modell eigenständig entscheidet, wann es recherchieren und wann es berechnen soll.
Dieses Papier untersucht das Tool-Calling in großen Sprachmodell-Agenten (LLMs) hinsichtlich Effektivität und Effizienz. Es zeigt, dass Evaluationspipelines sensibel auf Implementierungsentscheidungen reagieren und identifiziert Rechenverschwendung beim Reinforcement Learning-Training.
ToolWeave ist ein strukturiertes Framework zur Synthese realistischer Multi-Turn-Tool-Calling-Dialoge, die für LLMs als autonome Agenten unerlässlich sind. Es behebt Herausforderungen bei der bestehenden synthetischen Datengenerierung, indem es realistische Mehrschritt-Workflows unterstützt und Parameterhalluzinationen reduziert.
MAVEN (Modular Agentic Verification and Execution Network) ist ein leichtes symbolisches Reasoning-Gerüst zur Verbesserung der Generalisierung in agentischen Tool-Calling-Umgebungen. Es wurde auf etablierten Benchmarks evaluiert und führt MAVEN-Bench ein, einen neuen Stresstest-Benchmark für mehrstufiges mathematisches und physikalisches Reasoning.
Dieser Artikel erörtert, warum die Werkzeugaufruffunktion von Hermes 4 als separate Fähigkeit trainiert wird, und erklärt die zugrunde liegende Logik sowie deren kritische Auswirkungen auf KI-Agenten. Er beleuchtet, wie dieser unterschiedliche Trainingsansatz die Fähigkeiten und die Gesamtleistung von Agenten verbessert.
Este conteúdo descreve como construir agentes de IA úteis em um backend Go usando LangChainGo para integrar ferramentas que buscam dados e acionam ações. Ele utiliza Ollama com o modelo qwen3.5:9b para execução local, incluindo instruções de configuração e uma introdução à definição de ferramentas no LangChainGo.
Este conteúdo aborda os desafios de construir agentes de IA reais que vão além de responder perguntas, necessitando de ações e ferramentas. Critica as limitações das APIs stateless, como a da Anthropic, que dificultam processos complexos de chamada de ferramentas e a manutenção de estado.
Together AI hat seinen Fine-Tuning-Dienst um native Unterstützung für Werkzeugaufrufe, Schlussfolgerungen und Vision-Language-Modelle erweitert. Die Erweiterungen umfassen außerdem das Training von Modellen mit über 100 Milliarden Parametern, einen bis zu 6-fach höheren Durchsatz sowie Schätzungen für Jobkosten und die voraussichtliche Fertigstellungszeit.
Dieser Artikel kritisiert den Code-Modus von Cloudflare und hebt dessen Mängel bezüglich Multi-Cloud-Plattform (MCP)-Funktionen und der effektiven Implementierung von KI-Tool-Calling hervor. Er weist auf Bereiche hin, in denen Cloudflares Ansatz unvollständig oder nicht auf fortgeschrittene KI-Integrationsanforderungen abgestimmt sein könnte.
![[Video Response] What Cloudflare's code mode misses about MCP and tool calling](/cdn-cgi/image/width=3840,quality=75,format=webp/https://i1.ytimg.com/vi/0bpYCxv2qhw/hqdefault.jpg)