繼羊駝之後，又來了個以動物命名的模型，這次是大猩猩（Gorilla）。
雖說目前LLM風頭正旺，進展頗多，在各種任務中的表現表現也可圈可點，但這些模型透過API調用有效使用工具的潛力還亟待挖掘。
即使對於今天最先進的LLM，例如GPT-4，API呼叫也是一項具有挑戰性的任務，主要是由於它們無法產生準確的輸入參數，並且LLM容易對API呼叫的錯誤使用產生幻覺。
這不，研究人員搞了個Gorilla，一個經過微調的基於LLaMA的模型，它在編寫API呼叫上的效能甚至超過了GPT-4。
而當與文件檢索器結合時，Gorilla同樣展現出了強大的效能，使用戶更新或版本變更變得更加靈活。
此外，Gorilla也大大緩解了LLM會經常遇到的幻覺問題。
為了評估模型的能力，研究人員也引入了API基準，一個由HuggingFace、TorchHub和TensorHub API組成的綜合資料集
LLMs的各項強大的能力不用再多介紹，包括自然對話能力、數學推理能力，以及程式合成在能力什麼的。
然而，儘管性能強大，LLM仍然會受到一些限制。並且，LLM也需要重新訓練以及時更新他們的知識庫，以及推理能力。
透過授權LLM可使用的工具，研究人員可以允許LLM存取龐大的、不斷變化的知識庫，完成複雜的運算任務。
透過提供對搜尋技術和資料庫的訪問，研究人員可以增強LLM的能力，以處理更大和更動態的知識空間。
同樣，透過提供計算工具的使用，LLM也可以完成複雜的計算任務。
因此，科技巨頭已經開始嘗試整合各類插件，讓LLM能夠透過API呼叫外部工具。
從一個規模較小的手動編碼的工具，到能夠呼叫一個巨大的、不斷變化的雲端API空間，這種轉變可以將LLM轉變為運算基礎設施，以及網路所需的主要介面。
從預訂整個假期到舉辦一次會議的任務，可以變得像與能夠訪問航班、汽車租賃、酒店、餐飲和娛樂網絡API的LLM交談一樣簡單。
然而，許多先前的工作將工具整合到LLM中，考慮的是一小套有據可查的API，可以輕鬆地註入提示中。
支援一個由潛在的數百萬個變化的API組成的網路規模的集合，需要重新思考研究人員如何整合工具的方法。
現在已經不可能在單一的環境中描述所有的API了。許多API會有重疊的功能，有細微的限制和限制。在這種新的環境中簡單地評估LLM需要新的基準。
在本文中，研究人員探索了使用自我結構微調和檢索的方法，以使LLM能夠準確地從使用其API和API文件表達的大量、重疊和變化的工具集中進行選擇。
研究人員透過從公共模型中心刮取ML API（模型）來建構API Bench，這是一個具有複雜且經常重疊功能的大型API語料庫。
研究人員選擇了三個主要的模型中心來建立資料集：TorchHub、TensorHub和HuggingFace。
研究人員詳盡地包含了TorchHub（94個API呼叫）和TensorHub（696個API呼叫）中的每一個API呼叫。
對於HuggingFace，由於模型的數量很大，所以研究人員選擇了每個任務類別中下載最多的20個模型（總共925個）。
研究人員也使用Self-Instruct為每個API產生了10個使用者問題的prompt。
因此，資料集中的每個條目都成為了一個指令參考API對。研究人員採用常見的AST子樹匹配技術來評估產生的API的功能正確性。
研究人員首先將產生的程式碼解析成AST樹，然後找到一個子樹，其根節點是研究人員關心的API調用，然後使用它來索引研究人員的數據集。
研究人員檢查LLMs的功能正確性和幻覺問題，回饋相應的準確性。然後，研究人員再對Gorilla進行微調，這是一個基於LLaMA-7B的模型，使用研究人員的資料集進行文件檢索的操作。
研究人員發現，Gorilla在API功能準確性以及減少幻覺錯誤方面明顯優於GPT-4。
研究者在圖1中展示了一個實例。
此外，研究人員對Gorilla進行的檢索感知訓練使得該模型能夠適應API文件的變化。
最後，研究者也展現了Gorilla理解和推理限制的能力。
另外，在幻覺方面，Gorilla也表現出色。
下圖是精確度和幻覺在四種情況下的對比，零樣本（即，沒有任何檢索器）以及使用BM25、GPT和Oracle的檢索器。
其中BM25和GPT是常用的檢索器，而Oracle檢索器則會以100%的相關性返回相關文檔，表示一種上限。
圖中準確度較高、幻覺較少的即為效果較好。
在整個資料集中，Gorilla在提高準確性的同時減少了幻覺。
為了收集資料集，研究人員細緻地記錄了HuggingFace的The Model Hub、PyTorch Hub和TensorFlow Hub模型的所有線上模型。
HuggingFace平台託管和服務有總共203681個型號。
然而，其中許多模型的文檔都不咋樣。
為了過濾掉這些品質不高的模型，研究人員最後從每個領域中挑選出前20個模型。
研究人員考慮了多模態資料的7個領域，CV的8個領域，NLP的12個領域，音訊的5個領域，表格資料的2個領域，以及強化學習的2個領域。
過濾後，研究人員從HuggingFace得到了總共925個模型。 TensorFlow Hub的版本分為v1和v2。
最新的版本（v2）總共有801個模型，研究人員處理了所有的模型。在過濾掉幾乎沒有資訊的模型後，剩下了626個模型。
與TensorFlow Hub類似，研究者從Torch Hub得到95個模型。
在self-instruct範式的指導下，研究者採用GPT-4來產生合成指令資料。
研究人員提供了三個脈絡中的例子，以及一個參考的API文檔，並責成模型產生呼叫API的真實用例。
研究人員特別指示模型在建立指令時不要使用任何API名稱或提示。研究者為三個模型中心的每一個建構了六個例子（指令-API對）。
這18個點，是唯一手動產生或修改過的資料。
而Gorilla，則是檢索感知的LLaMA-7B模型，專門用於API呼叫。
如圖3所示，研究者採用自我建構來產生{指令，API}對。
為了對LLaMA進行微調，研究人員將其轉換為用戶——代理的聊天式對話，其中每個數據點都是一個對話，用戶和代理輪流交談。
然後研究人員在基礎的LLaMA-7B模型上進行標準的指令微調。在實驗中，研究人員在有和沒有檢索器的情況下分別訓練了Gorilla。
在研究中，研究人員關注的是旨在為提高LLM針對特定任務準確識別適當的API的能力的技術——這是該技術發展中至關重要，但經常被忽略的面向。
由於API的功能是一種通用語言，使不同的系統之間能夠進行有效地溝通，正確使用API可以提高LLM與更廣泛的工具進行互動的能力。
在研究人員收集的三個大規模資料集中，Gorilla的性能超過了最先進的LLM（GPT-4）。 Gorilla產生了可靠的API呼叫ML模型，且沒有產生幻覺，並能在挑選API時滿足約束條件。
由於希望找到一個具有挑戰性的資料集，研究人員選擇了ML APIs，因為它們的功能相似。專注於ML領域的API的潛在缺點是，如果在有傾向的資料上進行訓練，它們就有可能產生有偏見的預測，可能對某些子群體不利。
為了消除這種顧慮並促進對這些API的深入了解，研究人員正在發布更廣泛的資料集，其中包括超過11,000個指令——API對。
在下圖這個範例中，研究人員使用抽象語法樹（AST）子樹匹配來評估API呼叫的正確性。
抽象語法樹是原始碼結構的樹形表示，有助於更好地分析和理解程式碼。
首先，研究人員從Gorilla回傳的API呼叫（左邊）建立相關的API樹。然後將其與資料集進行比較，以查看API資料集是否具有子樹匹配。
在上面的範例中，相符的子樹以棕色突出顯示，表示API呼叫確實是正確的。其中Pretrained=True是一個可選參數。
這項資源將為更廣泛的社群提供服務，作為研究和衡量現有API的寶貴工具，為更公平和優化使用機器學習做出貢獻。
以上是最強API呼叫模型來了！基於LLaMA微調，性能超過GPT-4的詳細內容。更多資訊請關注PHP中文網其他相關文章！
