کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Recent advancements in function calling and tool use have significantly enhanced the capabilities of large language models (LLMs) by enabling them to interact with external information sources and execute complex tasks. However, the limited context window of LLMs presents challenges when a large number of tools are available, necessitating efficient methods to manage prompt length and maintain accuracy. Existing approaches, such as fine-tuning LLMs or leveraging their reasoning capabilities, either require frequent retraining or incur significant latency overhead. A more efficient solution involves training smaller models to retrieve the most relevant tools for a given query, although this requires high quality, domain-specific data. To address those challenges, we present a novel framework for generating synthetic data for tool retrieval applications and an efficient data-driven tool retrieval strategy using small encoder models. Empowered by LLMs, we create ToolBank, a new tool retrieval dataset that reflects real human user usages. For tool retrieval methodologies, we propose novel approaches: (1) Tool2Vec: usage-driven tool embedding generation for tool retrieval, (2) ToolRefiner: a staged retrieval method that iteratively improves the quality of retrieved tools, and (3) MLC: framing tool retrieval as a multi-label classification problem. With these new methods, we achieve improvements of up to 27.28 in Recall@K on the ToolBench dataset and 30.5 in Recall@K on ToolBank. Additionally, we present further experimental results to rigorously validate our methods. Our code is available at \url{https://github.com/SqueezeAILab/Tool2Vec}
چکیده به فارسی (ترجمه ماشینی)
پیشرفت های اخیر در فراخوانی عملکرد و استفاده از ابزار ، قابلیت های مدل های بزرگ زبان (LLM) را به طور قابل توجهی افزایش داده است و آنها را قادر می سازد تا با منابع اطلاعاتی خارجی تعامل داشته و کارهای پیچیده ای را انجام دهند.با این حال ، پنجره زمینه محدود LLMS در صورت موجود بودن تعداد زیادی از ابزارها ، چالش هایی را ارائه می دهد ، که به روشهای کارآمد برای مدیریت طول سریع و حفظ دقت نیاز دارد.رویکردهای موجود ، مانند LLM های تنظیم دقیق یا استفاده از قابلیت های استدلال آنها ، یا نیاز به بازآموزی مکرر دارند یا از بالای زمان تأخیر چشمگیر متحمل می شوند.یک راه حل کارآمدتر شامل آموزش مدلهای کوچکتر برای بازیابی مناسب ترین ابزارها برای یک پرس و جو خاص است ، اگرچه این امر به داده های خاص و خاص دامنه نیاز دارد.برای پرداختن به این چالش ها ، ما یک چارچوب جدید برای تولید داده های مصنوعی برای برنامه های بازیابی ابزار و یک استراتژی بازیابی ابزار کارآمد محور با استفاده از مدل های رمزگذار کوچک ارائه می دهیم.ما توسط LLMS توانمند می کنیم ، ما Toolbank را ایجاد می کنیم ، یک مجموعه داده بازیابی ابزار جدید که منعکس کننده استفاده واقعی کاربر انسانی است.برای روشهای بازیابی ابزار ، ما رویکردهای جدید را پیشنهاد می کنیم: (1) Tool2VEC: تولید ابزار استفاده از ابزار برای بازیابی ابزار ، (2) Toolrefiner: یک روش بازیابی مرحله ای که به طور تکراری کیفیت ابزارهای بازیابی شده را بهبود می بخشد ، و (3) MLC: Framingingبازیابی ابزار به عنوان یک مشکل طبقه بندی چند برچسب.با استفاده از این روشهای جدید ، ما به پیشرفت حداکثر 27.28 در فراخوان@k در مجموعه داده های ابزار ابزار و 30.5 در فراخوان@k در Boolbank دست می یابیم.علاوه بر این ، ما نتایج تجربی بیشتری را برای تأیید دقیق روشهای خود ارائه می دهیم.کد ما در \ url {https://github.com/squeezeailab/tool2vec} در دسترس است
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
