AWS 研究人員最近在 ToolBench 上進行的一項研究顯示，經過微調的小型模型（350M 參數）在工具使用方面的表現超越了許多大型系統，達到了 77.5% 的通過率。這一研究的關鍵在於專注的訓練方法，該模型專門針對真實的工具調用任務進行訓練，並且沒有使用額外的技巧，僅進行了一次訓練，設定了明確的目標。該模型學會了文件摘要、回答查詢和解釋結構化輸出等任務。研究顯示，專注的訓練方法能夠忽略不相關的行為，並有效執行工具操作。相較之下，較大的系統在同一基準測試中的得分普遍較低，有些甚至低於 30%。這一研究結果的重要性在於，它能降低延遲、降低成本並簡化部署，為在狹窄應用場景中替代大型語言模型提供了可能，特別是在需要重複調用工具的代理應用中。