aim

此文章的用意在于：

To equip a language model with the ability to use different tools by means of API calls.

也就是是一个相似于chatGPT一样的模型可能取得调用API的能力。

办法概括

文章所应用的办法是有监督学习。
然而咱们并没有相似下方带有标签的训练数据，这要怎么做呢？

本篇文章就采纳了一个办法可能自己自足。

他间接应用Prompt的形式让语言模型本人生成带有API标签的文本数据。

上图的意思是间接对大语言模型（你就把他当做chatgpt就行了）输出命令，我让大语言模型做一个API的生成器，而后用他返回的后果当做带标签的数据。

而后依据这些已有的API标签，进行API调用接口并返回后果。而后依据返回的后果的好坏去筛选，最初再依据新生成的带有API标签的数据集对大语言模型进行最初的微调，就能够生成可能应用API调用接口的大语言模型了。

简略地说，就是想论文形容的那样：
就这么几步，就能够实现标签数据的自力更生。

你甚至还能够从最初一步再次跳到第一步，再次上述步骤，本人做本人的teacher，教会本人student进行“自我降级”。

更多的

文章所调用的API一共只有五个，然而他的办法能够泛化到更多的API。
在试验后果上能够看到。本篇文章的模型比照PPT 3。有长足的提高，尤其是在数学能力方面始终被诟病的。大概模型不可能进行数学给你算。的毛病也被大幅改良了。
像当初很多的产品预计曾经早早的应用了，这样子的技术办法，比方office的copilot（可能哈，本人猜的）。

更具体

其实更具体的还是得看论文，我这有个自制的小视频，外面也略微讲了些
详见：https://www.bilibili.com/video/BV1vN411A7pV/