--- title: "Toolformer (HU)" source: "https://systems-analysis.info/int/Toolformer_(HU)" wiki: "systems-analysis.info/int" article: "Toolformer_(HU)" language: "hu" categories: - "Category:Hungarian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 8162 wiki_created_at: 2026-09-07T01:13:13Z wiki_modified_at: 2026-09-07T01:13:13Z downloaded_at: 2026-09-07T23:23:41Z --- # Toolformer (HU) **Toolformer** — egy megközelítés **nagy nyelvi modellek** (**LLM**) létrehozásához, amely lehetővé teszi számukra, hogy önállóan használjanak **külső eszközöket** **API**-hívásokon keresztül[\[1\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-synced-review-1). Ezt a módszert 2023-ban a Meta AI Research kutatócsoportja javasolta a Pompeu Fabra Egyetemmel (Spanyolország) együttműködve. A «Toolformer: Language Models Can Teach Themselves to Use Tools» (Timo Schick és mtsai., 2023) című munkájukban a szerzők egy paradoxonra hívják fel a figyelmet: a modern LLM-ek lenyűgöző képességeket mutatnak összetett, új feladatok szöveges példák alapján történő megoldásában, azonban gyakran képtelenek megbízhatóan elvégezni alapvető műveleteket – például számolást vagy tények keresését[\[1\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-synced-review-1). E korlátok leküzdésére a csapat kifejlesztette a Toolformer modellt, amely **önállóan tanulja meg kiválasztani és meghívni a külső eszközöket** (mint keresőmotorok, kalkulátorok vagy fordítási szolgáltatások), hogy javítsa a különféle feladatok végrehajtásának minőségét[\[1\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-synced-review-1). 2023 februárjában a modell előnyomtatott formában jelent meg az arXiv-on, majd később elismerést szerzett és elfogadták a NeurIPS 2023 konferenciára[\[2\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-openreview-2). ## Alapgondolat és a modell képességei A Toolformer egy finomhangolt nyelvi modell, amely képes eldönteni, **melyik eszközt hívja meg, mikor hívja meg, milyen paramétereket adjon át, és hogyan illessze be a kapott eredményt a generált szövegbe**[\[3\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-arxiv-original-3). A tanítás **önfelügyelt** (**self-supervised**) módon szervezett — a modell maga generálja és értékeli az API-használati példákat, és csupán egy kis bemutatókészletet igényel (szó szerint néhány példát) az egyes eszközökhöz[\[3\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-arxiv-original-3). A korábbi megközelítésekkel ellentétben nincs szükség kiterjedt annotációkra vagy emberi kézi sablonokon alapuló integrációra; a modell maga tanulja meg, **mikor és hogyan alkalmazza az adott API-t**, megőrizve általános nyelvi képességeit és nem korlátozódva szűken meghatározott feladatokra[\[1\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-synced-review-1). A szerzők a Toolformerbe egyszerű API-hívásokon keresztül elérhető eszközök széles skáláját integrálták. A kísérleti verzióban a következő segédeszközöket alkalmazták[\[3\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-arxiv-original-3): - **Kalkulátor** – aritmetikai számítások elvégzéséhez. - **Kérdés-válasz (Q&A)** rendszer – tudásbázison alapuló ténykérdések megválaszolásához. - **Keresőmotorok** (2 különböző) – aktuális információk internetes kereséséhez. - **Gépi fordítás** rendszer – szövegek nyelvek közötti fordításához. - **Naptár** – dátumokra és időre vonatkozó adatok lekéréséhez. Minden eszköz szöveges töredék (speciális szöveges jelölő) formájában van reprezentálva, ami lehetővé teszi a modell számára, hogy **az API-hívást közvetlenül a generált szövegbe ágyazza**[\[4\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-medium-oxenai-4). Például a modell beilleszthet egy \`\[Calculator(...)\]\` vagy \`\[Search("lekérdezés")\]\` szerkezetű konstrukciót az aktuális kontextusba, jelezve a külső hívás szükségességét. A válasz generálásakor a Toolformer egy speciális szimbólumot (→ nyíl) generál, amelynek hatására a rendszer szünetelteti a generálást és végrehajtja a megfelelő API-hívást; a kapott eredményt beilleszti a szövegbe, majd folytatódik a következő szövegrész generálása[\[4\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-medium-oxenai-4). Ez a mechanizmus lehetővé teszi a modell számára, hogy **dinamikusan vonja be** a külső szolgáltatások képességeit, miközben egyetlen nyelvi modulként működik, architektúraváltoztatás nélkül. ## A modell tanítása (módszertan) A fejlesztők a Toolformer tanítási folyamatát több lépésben írták le[\[4\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-medium-oxenai-4), felhasználva az **in-context learning** technikát szintetikus adatok generálásához[\[1\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-synced-review-1): 1. **API-hívásjelöltek generálása**. Először egy nagy korpuszból (például cikkekből vagy weboldalakból) vett szövegekbe **mesterségesen illesztenek be** eszközhívásokat, amelyek potenciálisan segíthetnek a szöveg folytatásában vagy kiegészítésében. Ezeket a beillesztéseket maga a modell generálja N-példás promptolással, néhány kézzel megadott API-használati mintára támaszkodva[\[1\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-synced-review-1). Például a modell megkaphatja a következő töredéket: «2024-ben a város lakossága \[QA("Mekkora e város népessége?") → ...\] fő volt», ahol a QA( ) a kérdés-válasz rendszer hívása, amelynek vissza kell adnia a hiányzó adatokat. Minden eszközhöz megfelelő kontextusokat választanak ki; így a kalkulátornál a modell olyan mondatokat választ, amelyek több számot és olyan szavakat tartalmaznak, mint «egyenlő» vagy «összesen»[\[4\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-medium-oxenai-4) — ahol az aritmetikai eredményre valóban szükség lesz. 2. **API-hívások végrehajtása és adatkiegészítés**. Ezután az összes modell által generált hívást **ténylegesen végrehajtják** — például keresési lekérdezéseket küldenek vagy kifejezéseket számolnak ki a kalkulátorral. A kapott válaszokat visszaillesztik a szövegekbe, \`{válasz}\` típusú beillesztésekkel rendelkező befejezett mondatváltozatokat alkotva[\[4\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-medium-oxenai-4)[\[4\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-medium-oxenai-4). Egyidejűleg megőrzik az «üres» változatokat is (válasz beillesztése nélkül), valamint az eredeti szövegeket hívások nélkül — a későbbi összehasonlításhoz. 3. **Szűrés és a hasznosság önértékelése**. Ebben a lépésben a Toolformer önállóan értékeli, hogy a generált API-beillesztések közül melyek valóban hasznosak a szövegfolytatás előrejelzéséhez[\[4\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-medium-oxenai-4). A nyelvi modell háromféle forgatókönyv esetén összehasonlítja a szöveg folytatásának valószínűségét: (a) hívás nélkül, (b) az eszközhívással, de beillesztett eredmény nélkül, (c) hívással és beillesztett eredménnyel[\[4\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-medium-oxenai-4). Ha egy konkrét API-válasz hozzáadása növeli a mondat helyes folytatásának modellalapú valószínűségét (azaz valóban segít a modellnek megjósolni a következő szavakat), akkor az ilyen példát hasznosnak tekintik. Csak a **valószínűségi nyereséget hozó** beillesztések maradnak a mintában. Így kiszűrik azokat az eseteket, amikor az eszközhívás felesleges volt vagy nem hozott új információt. Végül a modellt finomhangolják (**fine-tuning**) a kapott szűrt dataseten, amely a szöveg valós példáit tartalmazza optimálisan beillesztett API-hívásokkal[\[1\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-synced-review-1). A tanítás standard nyelvi modellezési céllal történik – a sorozat következő tokenjének előrejelzése, beleértve az eszközhívások eredményeit jelölő tokeneket is. Fontos hangsúlyozni, hogy minden új eszköz bevezetéséhez csupán **néhány kézi példára** volt szükség a használatából — a tanítóadatok generálása ezután automatikusan ment[\[3\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-arxiv-original-3). Ennek köszönhetően a Toolformer megközelítés gyakorlatilag független a specializált annotált korpuszok meglététől, és **minimalizálja az adatannotálás munkaterheit**. A modell maga tanulja meg az API-hívások formátumát és célszerűségét, miközben megőrzi univerzalitását: az eszközöket csak akkor alkalmazza, ha az valóban szükséges a kitűzött feladat megoldásához[\[1\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-synced-review-1). ## Kísérleti eredmények A módszer kísérleti ellenőrzéséhez a kutatók a már meglévő **GPT-J** nyelvi modellt (6,7 milliárd paraméter) vették alapul — egy nyílt LLM-et, amelyet a The Pile korpuszon tanítottak[\[4\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-medium-oxenai-4). Ezt a modellt a leírt eljárással finomhangolták, így létrehozva a GPT-J alapú Toolformert. Az új megközelítés teljesítményét **zero-shot** (példák nélküli) módban értékelték számos standard feladaton, beleértve a matematikai szöveges feladatok megoldását, tények keresését és tudásalapú kérdés-megválaszolást (QA), valamint fordítást és szövegkiegészítést. Tesztadatként például a Natural Questions, TriviaQA nyílt kérdéshalmazokat (a ténybeli tudás értékelésére), az ASDiv, MAWPS, SVAMP feladathalmazokat (aritmetikai matematikai szöveges feladatok), valamint a többnyelvű QA-benchmarkokat: MLQA, LAMA[\[5\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-paperswithcode-5) használták. Az eredmények azt mutatták, hogy a Toolformer **jelentősen felülmúlja** az azonos méretű eredeti modellt számos feladaton[\[1\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-synced-review-1). Sőt, az eszközök csatlakoztatásának köszönhetően a viszonylag kis modell (6,7 milliárd paraméter) egyes mutatók tekintetében képes volt **felülmúlni a sokkal nagyobb GPT-3 modellt** (175 milliárd paraméter)[\[1\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-synced-review-1)[\[6\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-arxiv-fewshot-6). Például a pontos számításokat igénylő matematikai szöveges feladatokban a Toolformer különösen látványos előrelépést mutatott az egyszerű LLM-ekhez képest, pontosan oldva meg az ilyen feladatokat **a kalkulátor segítségével**, miközben még a GPT-3 is hibázott[\[1\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-synced-review-1). A ténybeli kérdések (QA) tesztjeiben a GPT-J alapú Toolformer szintén a GPT-3-mal összehasonlítható vagy annál jobb válaszminőséget mutatott, mivel aktuális adatokért internetes keresést tudott végezni[\[1\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-synced-review-1). Fontos, hogy az új megközelítés **nem rontotta a nyelvi modell általános képességeit**, mint például a szöveg összefüggő folytatása szokásos adatokon: a Toolformer megőrizte az eszközök nélküli természetes nyelvi generálás szintjét az eredeti GPT-J szintjén[\[3\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-arxiv-original-3). Más szóval az API-hívási funkció hozzáadása nem «vette el» a modelltől alapvető képességeit, hanem kiegészítette azokat további lehetőségekkel. ## A munka jelentősége és a további kutatások A Toolformer fejlesztése bebizonyította annak elvi lehetőségét, hogy **egy modellt szinte kézi annotáció nélkül meg lehet tanítani külső eszközök használatára**, szintetikus adatok generálásával és a hasznosság önértékelésével. Ez az eredmény utat nyit a nagyobb **hatékonyságú és megbízhatóbb** nagy nyelvi modellek felé: ahelyett, hogy milliárdnyi paramétert növelnének tények vagy matematikai szabályok memorizálásához, egy viszonylag kompakt modell **dinamikusan vonhat be külső erőforrásokat** (tudásbázisokat, kalkulátorokat, szolgáltatásokat) saját hiányosságainak pótlásához[\[1\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-synced-review-1). Ez a megközelítés lehetővé teszi a «hallucinációk» számának csökkentését (amikor a modell nem létező információt talál ki), a válaszok pontosságának és a tudás aktualitásának növelését a teljes modell átdolgozása nélkül. Lényegében a Toolformer eléri a **«két világ legjobbját»** — ötvözve a nagy modell nyelvi képességeit a szűk eszközök pontosságával[\[3\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-arxiv-original-3). Schick és kollégáinak munkája az elsők egyike volt, amely bemutatta, hogy az LLM-ek önállóan sajátíthatják el a külső API-k használatát, és nagy érdeklődést keltett a közösségben. Számos további kutatás jelent meg, amely ezt az ötletet fejleszti tovább. Például 2023-ban bemutatták a **Graph-ToolFormer** modellt, amely a Toolformer elveit gráfadatokkal való munkához igazítja. ChatGPT által generált promptokra támaszkodva a Graph-ToolFormer megtanítja a nyelvi modellt külső eszközök meghívására gráfelemzési feladatok megoldásához (például gráf-tulajdonságok lekéréséhez, tudáshálózatokkal való munkához stb.)[\[7\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-arxiv-graphtoolformer-7). Egy másik figyelemre méltó fejlesztés a **Gorilla** modell (Univ. of California, Berkeley, 2023), amely számos külső szoftveres API pontos használatára összpontosít[\[8\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-arxiv-gorilla-8). A Gorilla egy LLaMA-modell, amelyet dokumentált függvények kiterjedt halmazán finomhangoltak; képes **helyes API-hívásokat generálni feladatleírás alapján**, oly sikeresen, hogy a kísérletekben még a GPT-4-et is felülmúlta a könyvtárak és szolgáltatások hívásainak kialakításában[\[8\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-arxiv-gorilla-8). A Gorillában megvalósul a dokumentáció keresőmechanizmusával való integráció, ami lehetővé teszi az API-változásokra vonatkozó információk aktualizálását, és jelentősen csökkenti az eszközhasználatból adódó hibákat és hallucinációkat[\[8\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-arxiv-gorilla-8). Ezek a munkák megerősítik a Toolformer által megnyitott irány jelentőségét: az LLM-ek és külső eszközök kombinálása ígéretes útként tekintendő erősebb és megbízhatóbb AI-rendszerek létrehozásához. Megjegyzendő, hogy az eszközök nyelvi modellekbe való integrálásának ötlete nemcsak a kutatásban, hanem az iparban is fejlődik. Így 2023 márciusában az OpenAI bemutatta a **ChatGPT-bővítmények** rendszerét – egy speciális interfészt, amely lehetővé teszi a modell csatlakoztatását külső szolgáltatásokhoz (webböngésző, tudásbázisok, számítási motorok stb.) aktuális információk megszerzéséhez és számítások elvégzéséhez[\[9\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-openai-plugins-9). A felhasználók régóta igényeltek ilyen funkcionalitást, és a bővítmények megjelenése a gyakorlatban megvalósítja a Toolformerhez hasonló koncepciót: a modell «eszközökkel» egészül ki, hogy bővítse képességeit a különféle felhasználói kérések megoldásában[\[9\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-openai-plugins-9). Így a Toolformer illeszkedik az AI fejlődésének általános trendjébe, ahol a nagy nyelvi modellek **platformmá** válnak, amely képes igény szerint bevonni külső tudást és számításokat. A Meta AI és az UPF csapata által elvégzett kutatás fontos alapot fektetett le ezen irány számára, megmutatva, hogyan tanulhatnak meg az LLM-ek eszközökkel dolgozni szinte kézi útmutatás nélkül, és ezáltal közelebb kerülve egy univerzálisabb és biztonságosabb intelligens asszisztenshez[\[1\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-synced-review-1)[\[3\]](https://systems-analysis.info/int/Toolformer_(HU)#cite_note-arxiv-original-3). ## Hivatkozások - Az eredeti «Toolformer: Language Models Can Teach Themselves to Use Tools» cikk az arXiv-on - A Toolformer áttekintése a Synced Review-n - A Toolformer oldala az OpenReview-n - A Toolformer áttekintése a Mediumon - A Gorilla modellről szóló cikk az arXiv-on - A ChatGPT-bővítmények oldala az OpenAI weboldalán ## Irodalom - Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761. - Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. NeurIPS 2023. OpenReview. - Li, M. et al. (2023). *API-Bank: A Comprehensive Benchmark for Tool-Augmented LLMs*. arXiv:2304.08244. - Zhang, T. et al. (2023). *Graph-ToolFormer: To Empower LLMs with Graph Reasoning Ability via Prompt Augmented by ChatGPT*. arXiv:2304.11116. - Patil, S. G. et al. (2023). *Gorilla: Large Language Model Connected with Massive APIs*. arXiv:2305.15334. - Qin, Y. et al. (2023). *ToolLLM: Facilitating Large Language Models to Master 16 000+ Real-World APIs*. arXiv:2307.16789. - Li, Y. et al. (2024). *Tool Learning with Large Language Models: A Survey*. arXiv:2405.17935. - OpenAI (2023). *ChatGPT Plugins*. OpenAI Blog. - Brown, T. B. et al. (2020). *Language Models Are Few-Shot Learners*. arXiv:2005.14165. - Schick, T. et al. (2023). *Meta AI & UPF's Toolformer: Enabling Language Models to Teach Themselves to Use External Tools*. Synced Review. ## Jegyzetek 1. ↑ [1.00](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-synced-review_1-0) [1.01](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-synced-review_1-1) [1.02](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-synced-review_1-2) [1.03](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-synced-review_1-3) [1.04](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-synced-review_1-4) [1.05](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-synced-review_1-5) [1.06](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-synced-review_1-6) [1.07](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-synced-review_1-7) [1.08](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-synced-review_1-8) [1.09](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-synced-review_1-9) [1.10](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-synced-review_1-10) [1.11](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-synced-review_1-11) [1.12](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-synced-review_1-12) [1.13](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-synced-review_1-13) Schick, T. et al. «Meta AI & UPF's Toolformer: Enabling Language Models to Teach Themselves to Use External Tools». *Synced*. [1] 2. [↑](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-openreview_2-0) Schick, T. et al. «Toolformer: Language Models Can Teach Themselves to Use Tools». *OpenReview*. [2] 3. ↑ [3.0](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-arxiv-original_3-0) [3.1](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-arxiv-original_3-1) [3.2](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-arxiv-original_3-2) [3.3](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-arxiv-original_3-3) [3.4](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-arxiv-original_3-4) [3.5](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-arxiv-original_3-5) [3.6](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-arxiv-original_3-6) Schick, T. et al. «Toolformer: Language Models Can Teach Themselves to Use Tools». *arXiv*. [3] 4. ↑ [4.0](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-medium-oxenai_4-0) [4.1](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-medium-oxenai_4-1) [4.2](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-medium-oxenai_4-2) [4.3](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-medium-oxenai_4-3) [4.4](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-medium-oxenai_4-4) [4.5](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-medium-oxenai_4-5) [4.6](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-medium-oxenai_4-6) [4.7](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-medium-oxenai_4-7) [4.8](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-medium-oxenai_4-8) OXEN AI. «Arxiv Dives Toolformer: Language models can teach themselves to use tools». *Medium*. [4] 5. [↑](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-paperswithcode_5-0) «Toolformer: Language Models Can Teach Themselves to Use Tools». *Papers With Code*. [5] 6. [↑](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-arxiv-fewshot_6-0) Brown, Tom B. et al. «Language Models are Few-Shot Learners». *arXiv*. [6] 7. [↑](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-arxiv-graphtoolformer_7-0) Zhang, Tingkai et al. «Graph-ToolFormer: To Empower LLMs with Graph Reasoning Ability via Prompt Augmented by ChatGPT». *arXiv*. [7] 8. ↑ [8.0](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-arxiv-gorilla_8-0) [8.1](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-arxiv-gorilla_8-1) [8.2](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-arxiv-gorilla_8-2) Patil, Shishir G. et al. «Gorilla: Large Language Model Connected with Massive APIs». *arXiv*. [8] 9. ↑ [9.0](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-openai-plugins_9-0) [9.1](https://systems-analysis.info/int/Toolformer_(HU)#cite_ref-openai-plugins_9-1) «ChatGPT plugins». *OpenAI*. [9]