你好啊，我是小智，今天我將詳細解析Hammer模型如何通過函數(shù)名和參數(shù)名的修改，數(shù)倍提升模型在Function Calling任務中的準確性。

改名提升模型性能，看似玄學也有依據(jù)

簡潔命名的模糊性

在大多數(shù)編程語言中，函數(shù)名和參數(shù)名都是對功能的抽象表達。通常情況下，簡潔的命名規(guī)則便于代碼閱讀與理解，但當這些簡潔的命名被直接作為模型輸入時，可能會導致一定程度的模糊性。例如，假設我們有一個名為get_data的函數(shù)，該函數(shù)可能用于從數(shù)據(jù)庫、文件或網(wǎng)絡獲取數(shù)據(jù)，但不同的上下文可能會讓模型難以判斷其真正用途。

特別是在存在復雜功能的情況下，簡潔的命名約定可能導致誤導。例如，save可能表示保存文件、保存數(shù)據(jù)，甚至是提交數(shù)據(jù)庫事務。此時，模型僅依賴函數(shù)名推斷函數(shù)目的時，簡潔命名反而可能降低準確性。

同名參數(shù)的誤導性

同樣，函數(shù)參數(shù)名的命名慣例也可能影響模型的判斷。在數(shù)據(jù)集中，不同的函數(shù)可能使用相同或類似的參數(shù)名，導致模型在推斷過程中受到歷史數(shù)據(jù)的干擾。比如，data或input等參數(shù)名可能在不同的函數(shù)中具有完全不同的含義，但如果模型只依據(jù)參數(shù)名來推斷其用途，可能會引發(fā)錯誤推斷。

命名約定的不一致性

在實際開發(fā)中，命名約定常常因團隊、項目或語言的不同而存在差異。例如，駝峰式命名（CamelCase）和下劃線式命名（snake_case）在同一數(shù)據(jù)集中可能并存。如果訓練數(shù)據(jù)集中的命名方式與測試環(huán)境中的不一致，模型的表現(xiàn)可能會受到負面影響。在這種情況下，模型可能無法準確理解不同命名方式的函數(shù)或參數(shù)，影響其調(diào)用的準確性。

Schema描述更加準確有力

Schema描述提供了更靈活的自然語言解釋，往往更準確和詳細，并通常包含函數(shù)和參數(shù)名稱旨在傳達的信息"。

函數(shù)和參數(shù)名稱的簡潔和簡潔格式可能會導致歧義，并誤導模型的理解，特別是在存在復雜功能的情況下。相比之下，描述提供了對函數(shù)作用和預期行為的更全面的視角，超越了函數(shù)和參數(shù)名稱所能傳達的內(nèi)容。通過關注描述而不是名稱，模型可以更準確地把握函數(shù)的意圖，并避免訓練數(shù)據(jù)中特定命名模式引入的陷阱。

如何實現(xiàn)改名后的模型訓練

增強數(shù)據(jù)集：微調(diào)與多樣性提升

為了提升函數(shù)調(diào)用準確率，Hammer模型采用了增強數(shù)據(jù)集的策略。在此方法中，模型通過對數(shù)據(jù)集進行擴展，尤其是在xLAM-function-calling-60k數(shù)據(jù)集上增加了7,500個實例，這些實例專注于檢測無關性，從而使得模型能夠更好地區(qū)分相關和無關的函數(shù)調(diào)用。

通過這種增強方式，模型能夠更好地處理在訓練集和測試集之間存在的命名不一致性。對數(shù)據(jù)集的微調(diào)不僅提高了模型對函數(shù)名的敏感度，也讓模型學會了如何忽略無關的參數(shù)和函數(shù)。

函數(shù)屏蔽：減少對名稱的依賴

Hammer模型采用了函數(shù)屏蔽技術，在訓練過程中隨機將候選函數(shù)名稱替換為隨機字符串。這一策略的核心思想是使得模型更關注函數(shù)的功能描述，而非函數(shù)名稱。這種方式迫使模型理解函數(shù)的功能，而不僅僅是通過名稱來推測其目的。

具體來說，模型通過僅僅理解函數(shù)的輸入輸出及其描述來進行函數(shù)調(diào)用，而非依賴可能模糊或誤導的名稱信息。例如，在訓練過程中，模型可能會遇到如下兩種情況：

• 原始命名：get_user_data(user_id)
• 屏蔽后的命名：function_1234(arg1)

在屏蔽后的訓練過程中，模型不會通過get_user_data來猜測其功能，而是通過函數(shù)描述或參數(shù)來推斷其功能。

函數(shù)描述的優(yōu)化

除去函數(shù)名本身，函數(shù)描述也是模型理解函數(shù)目的的重要線索。通過增強訓練集中的函數(shù)描述，并將這些描述與輸入輸出匹配，模型能夠更好地學習到函數(shù)的實際功能。這一過程涉及到對數(shù)據(jù)集的精細化處理，使得每個函數(shù)都附帶一個盡可能詳細的描述。

這種優(yōu)化策略，結(jié)合函數(shù)屏蔽和增強數(shù)據(jù)集的手段，能有效提升模型對函數(shù)調(diào)用的準確性和魯棒性。

啟發(fā)

高質(zhì)量數(shù)據(jù)是金礦

在任何機器學習任務中，高質(zhì)量數(shù)據(jù)都至關重要。而數(shù)據(jù)的質(zhì)量不僅僅體現(xiàn)在標注的準確性，還包括數(shù)據(jù)的多樣性和豐富性。Hammer模型的成功不僅僅在于使用了大規(guī)模的數(shù)據(jù)集，更在于對已有數(shù)據(jù)進行了精細化的改造和優(yōu)化。作為AI工程師，我們應該從數(shù)據(jù)源的多樣性和質(zhì)量上投入更多精力，而不僅僅關注模型的復雜度。

從人的角度出發(fā)

大多數(shù)工程師在設計函數(shù)時，往往是從功能描述出發(fā)，而非僅依賴函數(shù)名稱。這一思維模式實際上與模型的思維方式存在類似性。通過從人的角度理解模型如何處理函數(shù)調(diào)用，我們可以發(fā)現(xiàn)許多潛在的優(yōu)化空間。例如，考慮到工程師在編寫函數(shù)時會根據(jù)其功能來定義參數(shù)，而不僅僅依賴參數(shù)名本身，模型也應該更多地關注函數(shù)的功能描述。

本文轉(zhuǎn)載自 ??AI小智??，作者： AI小智