Try, Check and Retry: LLMの長い文脈におけるツール呼び出し性能を向上させる分割統治フレームワーク

要約: ツール呼び出しは、大規模言語モデル（LLMs）が外部環境と相互作用する能力を拡張します。しかし、現状の手法は、長い文脈を伴うツール呼び出しタスクにおいて、膨大でノイズの多い候補ツールを適切に扱うことが難しく、現実世界での適用を制限しています。この目的のため、我々は Tool-DC という、LLMs のツール呼び出し性能を向上させる分割統治フレームワークを提案します。Tool-DC の核は、推論の難易度を低減し、LLM の自己反省能力を最大限活用する「Try-Check-Retry」パラダイムを介して達成されます。具体的には、Tool-DC には2つのバリアントが含まれます。1) 学習不要の Tool-DC（TF）はプラグアンドプレイで柔軟、2) 学習ベースの Tool-DC（TB）は推論効率を高めます。広範な実験により、両方の Tool-DC 手法が、対応する従来手法よりも明確なマージンで上回ることが示されました。Tool-DC（TF）は BFCL および ACEBench のベンチマークにおいて、ベースラインに対して最大で +25.10% の平均的な改善をもたらします。一方、Tool-DC（TB）は Qwen2.5-7B が商用 LLMs に匹敵する、あるいはそれを上回る性能を達成できるようにします。例えば OpenAI o3 や Claude-Haiku-4.5 と同等レベルの性能を引き出すことが可能です。