面試題：大模型的FunctionCalling如何訓練得到？
主要來說，F(xiàn)unction Calling 的訓練主要涉及數(shù)據(jù)構(gòu)造、模型架構(gòu)適配、多階段微調(diào)等關(guān)鍵環(huán)節(jié)。
主要開源方案可以參考Llama3.1或者Qwen-Agent，基本上在Llama3的技術(shù)報告（ https://arxiv.org/pdf/2407.21783） 中就可以知道FunctionCalling的實現(xiàn)路徑。
以下是Llama3的技術(shù)報告里面如何用二階段訓練來提升Function Calling的準確性。
一、數(shù)據(jù)預(yù)處理
Llama3設(shè)計了一套多階段數(shù)據(jù)篩選策略，通過質(zhì)量評估與內(nèi)容優(yōu)化提升訓練數(shù)據(jù)價值：
1. 主題分級體系
- 構(gòu)建基于Llama 3 8B的層級分類系統(tǒng)，首先將數(shù)據(jù)劃分為"數(shù)學推理"等宏觀類別；
- 在頂層分類下建立細粒度子類別（如"幾何與三角學"），形成樹狀知識結(jié)構(gòu)。
2. 多維質(zhì)量評估
- 混合評估模型：結(jié)合獎勵模型(RM)與Llama質(zhì)量判別器
通用文本：準確性、指令合規(guī)性、表達規(guī)范（三級評分）
編程數(shù)據(jù)：錯誤識別度、需求匹配度（二級評分）
- RM篩選：保留評分前25%的高質(zhì)量樣本
- 智能質(zhì)量檢測：通過Llama 3進行多維度評估
- 采用聯(lián)合篩選機制，保留至少一個評估體系認證的高質(zhì)量樣本
3. 難度量化建模
- 復(fù)雜性雙因素評估：
意圖密度分析(Instag)：通過Llama 3 70B標記對話意圖數(shù)量
難度分級系統(tǒng)：基于三階難度評分框架（簡易/中等/復(fù)雜）
- 生成綜合難度指標：意圖數(shù)量 × 人工難度分級
4. 語義優(yōu)化處理
- 特征聚類：采用RoBERTa構(gòu)建對話語義向量空間
- 分級去重策略：
按質(zhì)量×難度綜合得分降序排列
動態(tài)相似度閾值過濾（余弦相似度<0.85）
貪婪選擇算法保留最具代表性的樣本
該方案通過質(zhì)量-難度聯(lián)合建模與語義空間優(yōu)化，在保證數(shù)據(jù)多樣性的前提下，顯著提升訓練數(shù)據(jù)的有效信息密度。
實證研究表明，該方法可使模型在復(fù)雜推理任務(wù)上的準確率提升17%，同時減少28%的訓練收斂時間。
二、訓練流程
構(gòu)建數(shù)據(jù)集
主要是將函數(shù)名、參數(shù)類型、功能說明等以結(jié)構(gòu)化文本輸入模型（如JSON格式）。
[
{"role": "user", "content": "查詢北京明天天氣"},
{"role": "assistant", "tool_calls": [{"name": "get_weather", "arguments": {"location": "北京"}}]},
{"role": "tool", "name": "get_weather", "content": "{\"temperature\": 22}"},
{"role": "assistant", "content": "北京明天氣溫22℃"}
]其中，tool這一層就是給大模型當做參數(shù)判斷邏輯輸入，模擬調(diào)度??獲取天氣接口??后返回最終結(jié)果。
二階段訓練
- 預(yù)訓練階段：模型在通用語料庫上進行基礎(chǔ)語言建模訓練，未涉及工具調(diào)用能力；
- 后訓練微調(diào)（Post-Training）：
合成數(shù)據(jù)生成：通過預(yù)訓練模型生成包含函數(shù)調(diào)用的對話數(shù)據(jù)，例如模擬用戶提問和對應(yīng)的工具調(diào)用參數(shù)；
人工標注迭代：標注員逐步標注復(fù)雜場景，例如從單輪工具調(diào)用過渡到多輪交互，并加入異常參數(shù)處理樣本（如無效參數(shù)、多工具選擇等）。
三、訓練方法
- 監(jiān)督微調(diào)（SFT）
- 使用標注數(shù)據(jù)對模型進行指令微調(diào)，強化其對工具調(diào)用的格式理解和參數(shù)生成能力。（示例：模型輸入包含工具定義的Prompt，輸出需嚴格匹配函數(shù)名及參數(shù)格式。）
- 強化學習（RLHF/DPO）
- 對工具調(diào)用的準確性和結(jié)果整合能力進行偏好排序，例如標注員對模型的工具調(diào)用決策打分，優(yōu)化模型生成質(zhì)量。
- 多任務(wù)學習
同時訓練模型完成常規(guī)對話和工具調(diào)用任務(wù)，避免單一任務(wù)過擬合。 在報告中，Llama發(fā)現(xiàn) PPO 沒有 DPO 好，所以只用了 DPO，在preference data 中，有5.89%是和reasoning以及tool相關(guān)的。
本文轉(zhuǎn)載自???沐白AI筆記???，作者：楊沐白
