Newest papers

Training Small Language Models for Transferable Tool Selection

Zhaoyi Zhou, Akshayaa Magesh, Jeongyeol Kwon, Artem Kuriksha, Daniel Jiang, Andrea Zanette, Ayush Jain · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31483 · open-access PDF

Hindi

चूंकि एलएलएम एजेंट दस हज़ार से अधिक उपकरणों के कॉर्पोरा पर काम करते हैं, इसलिए एक जटिल बहु-चरण उपयोगकर्ता निर्देश के लिए सही उपकरण का चयन एक केंद्रीय बोतलनिक बन जाता है। उपकरण वर्णन सभी संदर्भ में फिट नहीं हो सकते हैं, और प्रासंगिकता-आधारित रिट्रिवर केवल उन उपकरणों की रैंकिंग करते हैं जो वास्तव में आवश्यक हैं। हाल के काम के बजाय क्लॉड या चैटजीपीटी जैसे प्रासंगिक वाणिज्यिक एलएलएम को एक रिट्रिवर को ड्राइव करने, निर्देशों को तोड़ने और पुनर्प्राप्त उम्मीदवारों को चुनने के लिए उपयोग करते हैं। हम दिखाते हैं कि एक छोटे से, खुले मॉडल को एक ही कार्यक्षमता को पूरा करने के लिए

Machine translation (Meta M2M100); the English original follows.

Abstract

As LLM agents operate over corpora of more than ten thousand tools, selecting the right tool for a complex multi-step user instruction becomes a central bottleneck. Tool descriptions cannot all fit in context, and relevance-based retrievers only rank tools without knowing which are actually needed. Recent work instead leverages proprietary commercial LLMs like Claude or ChatGPT to drive a retriever, decomposing the instruction and selecting over retrieved candidates. We show that a small, open model can be trained via reinforcement learning to perform the same functionality. On ToolBench, a Qw

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange