ToolACE-MT: Generación No Autoregresiva para Interacciones Multi-Turno Agentes

La resolución de tareas agentes con Modelos de Lenguaje Grande (LLMs) requiere interacciones multi-turno y multi-paso, a menudo involucrando llamadas a funciones complejas e intercambios dinámicos entre el usuario y el agente. Los métodos de generación de datos basados en simulación existentes para tales escenarios dependen en gran medida de interacciones autoregresivas costosas entre múltiples agentes LLM, limitando así el rendimiento en el mundo real de las tareas agentes. En este artículo, proponemos un nuevo marco de Generación Iterativa No Autoregresiva, llamado ToolACE-MT, para construir diálogos agentes de alta calidad en múltiples turnos. ToolACE-MT genera trayectorias conversacionales completas a través de tres etapas: inicialización de grano grueso, refinamiento iterativo y verificación offline. La fase de inicialización construye un esqueleto de diálogo estructuralmente completo pero semánticamente tosco; la fase de refinamiento iterativo introduce complejidades realistas y un refinamiento continuado a través de operaciones de enmascarado y llenado; y la fase de verificación offline asegura la corrección y coherencia a través de controles basados en reglas y modelos. Los experimentos demuestran que ToolACE-MT permite una generación de datos agentes eficiente, efectiva y generalizable, ofreciendo un nuevo paradigma para la construcción de datos de alta calidad en escenarios LLM aumentados por herramientas.