LoopTool

LoopTool – 上交大和小红书推出的自动化数据进化框架

LoopTool，一项由上海交通大学与小红书团队联合研发的革新性框架，正以前所未有的方式重塑大语言模型（LLM）在工具调用任务上的表现。它并非简单的工具集合，而是一个高度自动化、深刻理解模型特性并具备迭代演进能力的智能数据进化系统。LoopTool的核心优势在于其精妙的闭环优化机制，将数据生成、标签校正与模型训练无缝衔接，构建了一个动态且高效的反馈回路。

LoopTool的精髓所在

LoopTool的诞生，标志着在提升LLM工具调用能力方面迈出了关键一步。该框架巧妙地将数据生成、标签修正和模型训练融为一体，形成一个持续优化的闭环。它包含两个核心阶段：初始种子数据的精心构建，以及贯穿始终的迭代优化过程。在迭代优化阶段，LoopTool展现了其强大的生命力，通过“贪婪能力探测”、“判别引导标签校验”和“错误驱动数据扩展”等一系列核心模块，能够实时感知模型的学习状态，动态调整训练数据，从而精准地弥补模型的短板。实验结果雄辩地证明了LoopTool的卓越成效，在多个公开基准测试中，它显著提升了模型的工具调用性能，并刷新了开源模型的最佳记录。

LoopTool的核心能力概览

• 智能数据生产：LoopTool能够自主构建高质量的种子数据集，支持多智能体协同对话生成，确保数据的多样性和内在一致性。
• 精准数据调优：基于模型表现的实时反馈，LoopTool能自动识别并优化模型的薄弱环节，生成更具挑战性的训练样本，促使模型不断突破瓶颈。
• 标签的精细校准：通过引入开源模型进行预测与真实标签的对比分析，LoopTool能有效修正错误的标签信息，大幅降低噪声数据对模型训练的负面影响。
• 模型能力的全面跃升：在多项基准测试中，LoopTool不仅显著增强了模型的工具调用能力，还同步提升了其泛化推理的水平。

LoopTool的技术驱动力

• 自动化工具增强数据构建（Seed Generation）：LoopTool利用语义树和约束树的强大能力，能够合成符合功能意图和结构规范的API定义。其多智能体对话生成流程（涵盖Planner Agent、User Agent、Assistant Agent和Tool Agent）是构建高质量种子数据集的基石。
• 基于闭环迭代的模型训练与数据演化：
  • GRPO强化学习训练：通过二值奖励函数，LoopTool能够高效地优化模型的工具调用策略。
  • 贪婪能力探测（GCP）：这一模块能够精准识别模型已掌握、表现不佳以及处于能力边界的样本，并优先保留高困惑度样本用于下一轮的训练。
  • 判别引导标签校验（JGLV）：借助开源模型的辅助，LoopTool能够对比模型预测结果与原始标签，从而进行准确的标签修正。
  • 错误驱动数据扩展（EDDE）：基于模型出错的样本，LoopTool能够生成结构相似但情境各异的新样本，极大地增强了模型学习和应对难点样本的能力。
• 闭环迭代更新机制：每一轮的训练数据均由高困惑度样本、经过修正的错误样本、新生成的样本以及未被充分利用的子样本构成，形成一个完整的“训练-评估-修正-扩展”的闭环，确保了模型训练的持续性和高效性。

LoopTool的项目链接

• GitHub代码库：https://github.com/Rednote-DeepExperience/LoopTool
• HuggingFace模型展示：https://huggingface.co/papers/2511.09148
• arXiv技术论文原文：https://arxiv.org/pdf/2511.09148

LoopTool的广泛应用前景

• API调用优化：LoopTool特别适用于智能客服、自动化工作流程等需要高效API调用的场景，助力模型精准执行查询和数据交互任务。
• 多轮任务规划增强：该框架能够显著提升模型在复杂多轮对话中的任务规划能力，使其能够有序地处理逐步推进的任务，例如智能助手在处理复杂指令时的分步执行。
• 知识检索的精准化：在问答系统中，LoopTool能够提升信息检索的准确性和效率，帮助模型更深刻地理解用户需求，提供更精准的答案。
• 代码生成与执行的可靠性提升：LoopTool能够提高模型生成代码并调用执行工具的准确性，这对于编程辅助工具和教育平台而言，意味着更少的代码错误和更顺畅的开发体验。
• 多模态任务的性能飞跃：LoopTool通过优化模型调用多模态工具的能力，能够显著提升智能安防、图像识别等场景下多模态数据的处理性能。