• 官方网站：gorilla.cs.berkeley.edu
• 论文详情：arxiv.org/abs/2305.15334
• GitHub代码库：GitHub
• 加入等待名单：Gorilla Spotlight Waitlist
• 社区交流：Discord

背景与挑战

大型语言模型（LLM）在对话模拟、数学推理与程序合成等领域展现卓越能力，但受限于存储信息量与静态计算图，面对快速变化的世界仍需定期更新。通过赋予LLM使用工具的能力，我们能扩展其知识范围与计算能力，使其适应更广阔且动态多变的知识空间。

工具集成与API调用

为提升LLM性能，引入搜索技术与数据库，研究显示这能显著增强模型能力。此外，提供计算工具使LLM能够执行复杂计算任务。市场领先的LLM供应商已开始提供API接口，允许用户通过API调用外部工具，从而将计算基础设施和网络作为主要交互界面。

Gorilla：AI调用之王

面对网络上数以百万计的API，Gorilla通过自指示微调与检索技术，精准选择合适的API。该模型基于LLaMA-7B构建，能够根据API文档和大量重叠工具作出决策。Gorilla构建了APIBench数据集，通过广泛集成API并使用自指示生成用户提问prompt，实现对LLM的全面训练。

方法论与数据集构建

数据集由HuggingFace、Torch Hub与TensorFlow Hub的API组成，经过精心筛选与转换，涵盖不同领域与功能，旨在泛化到各类RESTful API调用。通过自指示生成API调用示例，Gorilla实现了对API调用任务的微调，有效提升了功能正确性与减少了幻觉错误。

Gorilla的关键特性

• 检索感知型训练：利用API文档提升模型适应性和性能。
• 多条件API调用：理解并处理API调用的局限性，包括参数数量与准确度下限。
• 精确API选择：通过AST子树匹配策略评估API调用的正确性。

验证与评估

• 功能等价性比较：使用收集的数据集评估API调用性能，确保功能一致性。
• 幻觉检测：采用AST匹配策略识别潜在的虚构工具调用。
• 性能评估：Gorilla在多个API集上的表现显著优于其他模型，尤其是在检索技术应用下，展现出出色的表现。

结论

Gorilla的问世为AI领域带来了革命性变革，通过优化API调用流程，不仅提升了模型效率与实用性，也为未来AI系统的整合与协同合作铺平道路。随着技术的持续发展，Gorilla及其同类工具有望在推动AI应用的边界、促进跨领域知识共享与加速技术创新方面发挥关键作用。