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.
Este post descreve como usar Supervised Fine-Tuning (SFT) e Direct Preference Optimization (DPO) para melhorar a precisão da chamada de ferramentas de um pequeno modelo de linguagem. Ele demonstra o uso de trabalhos de treinamento do Amazon SageMaker AI para focar no código e avaliar a qualidade do modelo.
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 é um modelo de 26 milhões de parâmetros que destilou as capacidades de chamada de ferramentas do Gemini, alcançando precisão semelhante a custos computacionais reduzidos. Este avanço é crucial para desenvolvedores de agentes de IA e implantações em dispositivos de ponta.
Agentes de IA evoluíram para além de chatbots passivos. Este conteúdo aborda a implementação de chamadas de ferramentas com permissão em agentes Python.
Este documento apresenta um roteiro detalhado para dominar a chamada de ferramentas em agentes de IA. Ele visa guiar os leitores através dos conceitos e práticas essenciais para implementar e otimizar essa funcionalidade crucial.
Este conteúdo destaca cinco modelos de linguagem pequenos e de peso aberto que são notáveis pelo seu suporte à chamada de ferramentas estruturada, tornando-os adequados para aplicações de agentes.
Este tutorial demonstra como equipar o Gemma 4 com novas ferramentas. Ele mostra o modelo tomando decisões autônomas sobre quando buscar informações ou executar cálculos.
Este artigo estuda a chamada de ferramentas em agentes de modelos de linguagem grandes (LLMs), focando na sua eficácia e eficiência. Ele analisa pipelines de avaliação, mostrando que os resultados são sensíveis a escolhas de implementação, e identifica desperdício computacional no treinamento de aprendizado por reforço.
ToolWeave é uma estrutura estruturada para sintetizar diálogos realistas de chamadas de ferramentas em várias etapas, essenciais para LLMs agirem como agentes autônomos. Ele aborda os desafios de geração de dados sintéticos existentes, suportando fluxos de trabalho multi-etapas e reduzindo a alucinação de parâmetros.
MAVEN (Modular Agentic Verification and Execution Network) é um sistema de raciocínio simbólico leve que melhora a generalização em ambientes de chamada de ferramentas agenticas. Ele foi avaliado em vários benchmarks e introduz o MAVEN-Bench, um novo benchmark de estresse para raciocínio matemático e físico multi-etapa.
Este artigo discute por que a capacidade de chamada de ferramenta do Hermes 4 é treinada como uma habilidade separada, explicando a lógica subjacente e suas implicações críticas para os agentes de IA. Ele destaca como essa abordagem de treinamento distinta aprimora as capacidades e o desempenho geral dos agentes.
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.
A Together AI expandiu seu serviço de fine-tuning com suporte nativo para tool calling, raciocínio e modelos de visão-linguagem. As melhorias também incluem treinamento de modelos com mais de 100 bilhões de parâmetros, até 6x mais throughput e estimativas de custo e ETA para os trabalhos.
Este artigo critica o modo de código da Cloudflare, apontando suas deficiências em relação às funcionalidades de Plataforma Multi-Nuvem (MCP) e à implementação eficaz de chamadas de ferramentas de IA. Sugere áreas onde a abordagem da Cloudflare pode ser incompleta ou desalinhada com as necessidades de integração avançada de IA.
![[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)