机器之心发布 机器之心编辑部 在过去两年，大语言模型 (LLM) + 外部工具的能力，已成为推动 AI 从 "会说" 走向 "会做" 的关键机制 —— 尤其在 API 调用、多轮任务规划、知识检索、代码执行 等场景中，大模型要想精准调用工具，不仅要求模型本身具备推理能力，还需要借助海量高质量、针对性强的函数调用训练数据。 然而， 现有 数 据生成与训练流程多数是 "静态" 的 —— 数据在训练前一次性生成，无法感知到模型能力的改变。模型在微调或强化学习过程中也无法为数据生成 提供正向反馈。这不仅可能导致模型对已掌握的简单任务重复学习、浪费算力，同时留下一些难点样本长期缺乏优化；此外，很多现有流程依赖昂贵的闭源 API 生 成与评估数据，开源替代往往带入大量噪声标签，降低训练效果。 为解决这一系列问题，上海交通大学与小红书团队提出了 LoopTool ：一个自动的（autonomous）、模型感知（model-aware）、迭代式（iterative）的数据进化框 架，首次实现了工具调用任务的数据–模型闭环优化。团队仅依靠开源模型 Qwen3-32B 作为数据生成器与判别器，在无闭源 API 依赖的情况下，让一 ...