LoopTool - Herramienta automatizada de código abierto de la Universidad Jiaotong de Shanghai y Little Red Book para llamar al marco de evolución de datos.

¿Qué es LoopTool?

LoopTool es un marco automatizado de evolución de datos de llamada a herramientas de código abierto creado por la Universidad Jiao Tong de Shanghai y el equipo Xiaohongshu, diseñado para mejorar la capacidad de llamada a herramientas de grandes modelos lingüísticos. Optimiza la generación de datos y la formación de modelos mediante la iteración en bucle cerrado, utilizando modelos de código abierto (por ejemplo, Qwen3-32B) como generadores de datos y discriminadores sin depender de API de código cerrado. Los módulos principales incluyen la generación de diálogos corporales multiinteligentes, la detección de competencias, la comprobación de etiquetas y la expansión de datos basada en errores, que identifica dinámicamente los puntos débiles del modelo y genera datos de formación de alta calidad. Los experimentos demuestran que el modelo de 8B basado en LoopTool supera al modelo generador de 32B en la prueba de referencia de llamada a herramientas, y logra los mejores resultados del mismo tamaño en las listas BFCL-v3 y ACEBench.

Características de LoopTool

• Diagnóstico de competencias e identificación de carenciasA través del módulo Greedy Capability Probing (GCP), LoopTool puede diagnosticar la capacidad del modelo en tareas de llamada de herramientas, identificar con precisión los puntos de capacidad que el modelo domina y los que no, determinar las carencias del modelo y los patrones de error, y proporcionar orientación para la posterior optimización de los datos.
• Corrección de etiquetas y mejora de la calidadLoopTool utiliza el modelo de código abierto como juez para comparar la precisión de las predicciones del modelo con las etiquetas originales, y corrige automáticamente los errores de etiquetado para mejorar la calidad general del conjunto de datos y garantizar la precisión de los datos de entrenamiento.
• Ampliación de datos y generación de muestras difícilesEl módulo de Expansión de Datos en función de los Errores (EDDE) de LoopTool genera nuevas muestras difíciles basadas en los casos de error del modelo, lo que aumenta el número y la diversidad de muestras difíciles en el conjunto de datos e incita al modelo a mejorar continuamente su propia capacidad de selección de herramientas ante problemas complejos.
• Optimización en bucle cerrado y evolución dinámicaLoopTool construye un bucle cerrado entre los datos y el modelo, integrando estrechamente la generación de datos, la corrección de etiquetas y el entrenamiento del modelo. A medida que mejora la capacidad del modelo, el conjunto de datos también evoluciona dinámicamente, formando un ciclo positivo de "los datos entrenan al modelo, el modelo guía a los datos", que mejora continuamente el rendimiento del modelo.
• Ecología de fuentes abiertas y control de costesEl marco se basa por completo en modelos de código abierto para completar la generación y evaluación de datos, lo que elimina la necesidad de API de código cerrado y reduce los costes, al tiempo que garantiza la flexibilidad y escalabilidad de la generación y evaluación de datos, haciendo que todo el proceso de optimización sea más eficiente y sostenible.

Principales ventajas de LoopTool

• Optimización en bucle cerrado y evolución dinámicaEl modelo de formación de datos: mediante la construcción de un bucle cerrado entre los datos y el modelo, se consigue la estrecha integración de la generación de datos, la corrección de etiquetas y la formación del modelo, lo que garantiza que los datos de formación evolucionen dinámicamente con la capacidad del modelo, formando un ciclo positivo.
• Mejoras significativas del rendimientoEn la tarea de llamada de herramientas, los modelos entrenados con LoopTool superan significativamente a otros modelos del mismo tamaño, e incluso superan a generadores de datos más grandes en algunas pruebas comparativas, lo que demuestra una optimización superior.
• Mayor capacidad genéricaLoopTool: además de mejorar las capacidades de invocación de herramientas, LoopTool también mejora el rendimiento del modelo en otras tareas de propósito general, como el seguimiento de instrucciones y la generación de código, mejorando la capacidad del modelo para generalizar y manejar tareas complejas.
• Utilización eficaz de los datos: Mediante la expansión de datos basada en errores y la corrección de etiquetas, LoopTool es capaz de utilizar eficazmente los datos para generar muestras de alta calidad y difíciles, mejorando la capacidad del modelo para gestionar problemas complejos.
• Amplia gama de aplicacionesLoopTool es aplicable a modelos de diferentes tamaños y muestra buenos resultados de optimización tanto en modelos de 8B como de 32B, con una amplia aplicabilidad y escalabilidad.

¿Cuál es el sitio web oficial de LoopTool?

• Repositorio GitHub:: https://github.com/Rednote-DeepExperience/LoopTool
• Biblioteca de modelos HuggingFace:: https://huggingface.co/papers/2511.09148
• Documento técnico arXiv:: https://arxiv.org/pdf/2511.09148

Para quién es LoopTool

• Desarrollador de modelos de grandes lenguajesLoopTool: Los desarrolladores comprometidos con la mejora de las capacidades de invocación de sus herramientas de modelos lingüísticos pueden utilizar LoopTool para optimizar el rendimiento de los modelos y mejorar sus prestaciones en aplicaciones reales.
• investigador en inteligencia artificial: Los investigadores de IA interesados en la optimización de modelos y la evolución de datos pueden utilizar LoopTool para explorar nuevos métodos de entrenamiento de modelos y estrategias de mejora de datos.
• Colaboradores de la Comunidad de Código Abierto: Investigadores y desarrolladores que deseen contribuir al campo del código abierto y beneficiarse de él, LoopTool se basa por completo en el modelo de código abierto y es adecuado para los participantes en la comunidad de código abierto.
• Equipo técnico de la empresa: Los equipos de tecnología de las empresas que necesitan mejorar la eficacia de los modelos y reducir costes, LoopTool puede ayudarles a conseguir la optimización de los modelos con recursos limitados.
• Institutos académicos de investigaciónLoopTool: Las instituciones académicas que se centran en la modelización del lenguaje y la investigación de la IA pueden utilizar LoopTool como herramienta de investigación para avanzar en el progreso académico en campos relacionados.