---
title: "Toolformer (TH)"
source: "https://systems-analysis.info/int/Toolformer_(TH)"
wiki: "systems-analysis.info/int"
article: "Toolformer_(TH)"
language: "th"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
  - "Category:Thai"
revision_id: 8171
wiki_created_at: 2026-09-07T01:13:21Z
wiki_modified_at: 2026-09-07T01:13:21Z
downloaded_at: 2026-09-07T23:23:44Z
---

# Toolformer (TH)

**Toolformer** — คือแนวทางการสร้าง **โมเดลภาษาขนาดใหญ่** (**LLM**) ที่ช่วยให้โมเดลสามารถใช้ **เครื่องมือภายนอก** ผ่านการเรียก **API** ได้ด้วยตนเอง<sup>[\[1\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-synced-review-1)</sup> วิธีการนี้ถูกเสนอในปี 2023 โดยกลุ่มนักวิจัยจาก Meta AI Research ร่วมกับมหาวิทยาลัย Pompeu Fabra (สเปน) ในผลงาน «Toolformer: Language Models Can Teach Themselves to Use Tools» (Timo Schick et al., 2023) ผู้เขียนชี้ให้เห็นถึงความขัดแย้งที่ว่า: LLM สมัยใหม่แสดงความสามารถที่น่าประทับใจในการแก้ปัญหาใหม่ที่ซับซ้อนจากตัวอย่างข้อความ แต่กลับมักไม่สามารถดำเนินการพื้นฐานได้อย่างน่าเชื่อถือ เช่น การนับหรือการค้นหาข้อเท็จจริง<sup>[\[1\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-synced-review-1)</sup> เพื่อเอาชนะข้อจำกัดเหล่านี้ ทีมงานได้พัฒนาโมเดล Toolformer ซึ่ง **เรียนรู้ด้วยตนเองในการเลือกและเรียกใช้เครื่องมือภายนอก** (เช่น เสิร์ชเอนจิน เครื่องคิดเลข หรือบริการแปลภาษา) เพื่อยกระดับคุณภาพการทำงานในหลากหลายภารกิจ<sup>[\[1\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-synced-review-1)</sup> ในเดือนกุมภาพันธ์ 2023 โมเดลนี้ถูกเผยแพร่ในรูปแบบ preprint บน arXiv และต่อมาได้รับการยอมรับและนำเสนอในงานประชุม NeurIPS 2023<sup>[\[2\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-openreview-2)</sup>

## แนวคิดหลักและความสามารถของโมเดล

Toolformer คือโมเดลภาษาที่ผ่านการ fine-tuning ซึ่งสามารถตัดสินใจได้ว่า **จะเรียกใช้เครื่องมือใด เมื่อใดควรเรียกใช้ จะส่งพารามิเตอร์ใด และจะนำผลลัพธ์ที่ได้ไปรวมกับข้อความที่กำลังสร้างอย่างไร**<sup>[\[3\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-arxiv-original-3)</sup> การฝึกอบรมดำเนินการในรูปแบบ **self-supervised** — โมเดลสร้างและประเมินตัวอย่างการใช้ API ด้วยตนเอง โดยต้องการเพียงชุดสาธิตขนาดเล็ก (เพียงไม่กี่ตัวอย่าง) สำหรับเครื่องมือแต่ละชิ้น<sup>[\[3\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-arxiv-original-3)</sup> ต่างจากแนวทางก่อนหน้า ไม่จำเป็นต้องมีการกำกับข้อมูลจำนวนมากหรือเทมเพลตที่กำหนดโดยมนุษย์สำหรับการรวม เครื่องมือ โมเดลเรียนรู้ด้วยตนเองว่า **เมื่อใดและอย่างไรจึงควรใช้ API แต่ละตัว** โดยยังคงความสามารถด้านภาษาโดยทั่วไปและไม่ถูกจำกัดให้ทำงานเฉพาะกับภารกิจที่กำหนดไว้แคบๆ<sup>[\[1\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-synced-review-1)</sup>

ผู้เขียนได้รวมเครื่องมือหลากหลายประเภทเข้าไว้ใน Toolformer ซึ่งเข้าถึงได้ผ่านการเรียก API แบบง่าย ในเวอร์ชันทดลองมีการใช้เครื่องมือดังต่อไปนี้<sup>[\[3\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-arxiv-original-3)</sup>:

- **เครื่องคิดเลข** – สำหรับดำเนินการคำนวณเลขคณิต
- ระบบ **ถาม-ตอบ (Q&A)** – สำหรับค้นหาคำตอบสำหรับคำถามข้อเท็จจริงจากฐานความรู้
- **เสิร์ชเอนจิน** (2 แบบที่แตกต่างกัน) – สำหรับค้นหาข้อมูลที่เป็นปัจจุบันในอินเทอร์เน็ต
- ระบบ **แปลภาษาด้วยเครื่อง** – สำหรับแปลข้อความระหว่างภาษาต่างๆ
- **ปฏิทิน** – สำหรับรับข้อมูลเกี่ยวกับวันที่และเวลา

เครื่องมือแต่ละชิ้นถูกแทนในรูปแบบส่วนของข้อความ (ป้ายกำกับข้อความพิเศษ) ซึ่งช่วยให้โมเดลสามารถ **แทรกการเรียก API ลงในข้อความที่กำลังสร้างได้โดยตรง**<sup>[\[4\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-medium-oxenai-4)</sup> ตัวอย่างเช่น โมเดลสามารถแทรกโครงสร้างในรูปแบบ \`\[Calculator(...)\]\` หรือ \`\[Search("คำค้นหา")\]\` ในบริบทปัจจุบัน เพื่อส่งสัญญาณว่าต้องการการเรียกใช้ภายนอก ระหว่างการสร้างคำตอบ Toolformer จะสร้างสัญลักษณ์พิเศษ (ลูกศร →) ซึ่งระบบจะหยุดการสร้างชั่วคราวและดำเนินการเรียก API ที่เกี่ยวข้อง ผลลัพธ์ที่ได้จะถูกแทรกลงในข้อความ จากนั้นการสร้างส่วนถัดไปจะดำเนินต่อไป<sup>[\[4\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-medium-oxenai-4)</sup> กลไกนี้ช่วยให้โมเดลสามารถ **ดึงความสามารถของบริการภายนอกมาใช้แบบไดนามิก** ขณะที่ยังคงเป็นโมดูลภาษาเดียวโดยไม่เปลี่ยนแปลงสถาปัตยกรรม

## การฝึกอบรมโมเดล (วิธีการ)

นักพัฒนาได้อธิบายกระบวนการฝึกอบรม Toolformer เป็นหลายขั้นตอน<sup>[\[4\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-medium-oxenai-4)</sup> โดยใช้เทคนิค in-context learning เพื่อสร้างข้อมูลสังเคราะห์<sup>[\[1\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-synced-review-1)</sup>:

1.  **การสร้างผู้สมัครการเรียก API** ขั้นแรก นำข้อความจาก corpus ขนาดใหญ่ (เช่น บทความหรือหน้าเว็บ) และ **แทรกการเรียกเครื่องมือโดยเทียม** ที่อาจช่วยในการต่อเติมหรือเสริมข้อความนั้น การแทรกเหล่านี้โมเดลสร้างขึ้นเองโดยใช้ N-shot prompting โดยอาศัยตัวอย่างการใช้งาน API แต่ละตัวที่กำหนดด้วยมือเพียงไม่กี่ตัวอย่าง<sup>[\[1\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-synced-review-1)</sup> ตัวอย่างเช่น โมเดลอาจได้รับข้อความแบบ: «ในปี 2024 ประชากรในเมืองมีจำนวน \[QA("จำนวนประชากรของเมืองนี้คือเท่าไร?") → ...\] คน» โดย QA( ) คือการเรียกระบบถาม-ตอบที่ควรจะคืนค่าข้อมูลที่ขาดหายไป สำหรับเครื่องมือแต่ละชิ้นจะคัดเลือกบริบทที่เหมาะสม เช่น สำหรับเครื่องคิดเลข โมเดลจะเลือกประโยคที่มีตัวเลขหลายตัวและคำอย่าง «เท่ากับ» หรือ «รวม»<sup>[\[4\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-medium-oxenai-4)</sup> — ในบริบทที่ผลลัพธ์ทางเลขคณิตเป็นสิ่งจำเป็นอย่างแท้จริง
2.  **การดำเนินการเรียก API และการเสริมข้อมูล** จากนั้นการเรียก API ทั้งหมดที่โมเดลสร้างขึ้นจะ **ถูกดำเนินการจริง** — ตัวอย่างเช่น ส่งคำค้นหาไปยังเสิร์ชเอนจิน หรือคำนวณนิพจน์บนเครื่องคิดเลข คำตอบที่ได้จะถูกแทรกกลับเข้าไปในข้อความ เพื่อสร้างเวอร์ชันสมบูรณ์ของประโยคพร้อมการแทรกในรูปแบบ \`{คำตอบ}\`<sup>[\[4\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-medium-oxenai-4)[\[4\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-medium-oxenai-4)</sup> ในเวลาเดียวกัน ยังเก็บรักษาเวอร์ชัน «ว่างเปล่า» (โดยไม่แทนค่าคำตอบ) และข้อความต้นฉบับที่ไม่มีการเรียกใดๆ — สำหรับการเปรียบเทียบในภายหลัง
3.  **การกรองและการประเมินตนเองด้านความมีประโยชน์** ในขั้นตอนนี้ Toolformer จะประเมินด้วยตนเองว่าการแทรก API ที่สร้างขึ้นใดมีประโยชน์จริงสำหรับการทำนายการต่อเติมข้อความ<sup>[\[4\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-medium-oxenai-4)</sup> ทำการเปรียบเทียบความน่าจะเป็นของโมเดลภาษาในการต่อเติมข้อความในสามสถานการณ์: (ก) ไม่มีการเรียกใดๆ (ข) มีการเรียกเครื่องมือโดยไม่แทนค่าผลลัพธ์ (ค) มีการเรียกพร้อมผลลัพธ์ที่แทนค่าแล้ว<sup>[\[4\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-medium-oxenai-4)</sup> หากการเพิ่มคำตอบ API เฉพาะเจาะจงช่วยเพิ่มความน่าจะเป็นของโมเดลในการต่อเติมวลีได้อย่างถูกต้อง (นั่นคือช่วยให้โมเดลทำนายคำต่อไปได้จริง) ตัวอย่างนั้นจะถือว่ามีประโยชน์ เฉพาะการแทรกที่ **ให้ผลกำไรในแง่ความน่าจะเป็น** เท่านั้นที่จะถูกเก็บไว้ในชุดข้อมูล วิธีนี้ช่วยกรองกรณีที่การเรียกเครื่องมือซ้ำซ้อนหรือไม่ได้นำข้อมูลใหม่เข้ามา สุดท้าย โมเดลจะถูก fine-tuning บนชุดข้อมูลที่กรองแล้วซึ่งประกอบด้วยตัวอย่างข้อความจริงพร้อมการเรียก API ที่แทรกอย่างเหมาะสม<sup>[\[1\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-synced-review-1)</sup> การฝึกอบรมดำเนินการตามเป้าหมายมาตรฐานของการสร้างโมเดลภาษา — การทำนาย token ถัดไปในลำดับ รวมถึง token ที่แทนผลลัพธ์การเรียกเครื่องมือด้วย

สิ่งสำคัญที่ต้องเน้นคือ การนำเครื่องมือใหม่แต่ละชิ้นมาใช้ต้องการเพียง **ตัวอย่างที่ทำด้วยมือเพียงไม่กี่ตัวอย่าง** ของการใช้งาน — หลังจากนั้นการสร้างข้อมูลการฝึกอบรมจะดำเนินไปโดยอัตโนมัติ<sup>[\[3\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-arxiv-original-3)</sup> ด้วยเหตุนี้ แนวทาง Toolformer จึงแทบไม่ขึ้นอยู่กับการมี corpus ที่มีป้ายกำกับเฉพาะทาง และ **ลดภาระงานในการกำกับข้อมูลให้น้อยที่สุด** โมเดลเรียนรู้รูปแบบและความเหมาะสมของการเรียก API ด้วยตนเอง และยังคงความเป็นสากล: โมเดลจะใช้เครื่องมือเฉพาะเมื่อจำเป็นจริงๆ สำหรับการแก้ไขงานที่กำหนดเท่านั้น<sup>[\[1\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-synced-review-1)</sup>

## ผลการทดลอง

เพื่อทดสอบวิธีการในเชิงทดลอง นักวิจัยได้นำโมเดลภาษาที่มีอยู่แล้ว **GPT-J** (6.7 พันล้านพารามิเตอร์) — LLM แบบเปิดที่ฝึกอบรมบน corpus The Pile<sup>[\[4\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-medium-oxenai-4)</sup> มาใช้ โมเดลนี้ถูก fine-tuning ตามขั้นตอนที่อธิบายไว้ ได้ Toolformer ที่อิงจาก GPT-J ประสิทธิภาพของแนวทางใหม่ถูกประเมินในรูปแบบ **zero-shot** (ไม่มีตัวอย่าง) บนภารกิจมาตรฐานหลายประการ รวมถึงการแก้โจทย์คณิตศาสตร์ข้อความ การค้นหาข้อเท็จจริงและการตอบคำถามเชิงความรู้ (QA) รวมถึงการแปลและการเติมช่องว่างในข้อความ ชุดข้อมูลทดสอบที่ใช้ ได้แก่ ชุดคำถามเปิด Natural Questions, TriviaQA (สำหรับการประเมินความรู้ข้อเท็จจริง) และชุดโจทย์ ASDiv, MAWPS, SVAMP (โจทย์คณิตศาสตร์ข้อความเลขคณิต) รวมถึง benchmark QA หลายภาษา MLQA, LAMA<sup>[\[5\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-paperswithcode-5)</sup>

ผลลัพธ์แสดงให้เห็นว่า Toolformer **มีประสิทธิภาพเหนือกว่า** โมเดลต้นฉบับที่มีขนาดเดียวกันอย่างมีนัยสำคัญในหลายภารกิจ<sup>[\[1\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-synced-review-1)</sup> ยิ่งกว่านั้น ด้วยการเชื่อมต่อเครื่องมือ โมเดลขนาดค่อนข้างเล็ก (6.7 พันล้านพารามิเตอร์) สามารถ **แซงหน้าโมเดล GPT-3 ที่ใหญ่กว่ามาก** (175 พันล้านพารามิเตอร์) ในตัวชี้วัดบางประการ<sup>[\[1\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-synced-review-1)[\[6\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-arxiv-fewshot-6)</sup> ตัวอย่างเช่น ในโจทย์คณิตศาสตร์ข้อความที่ต้องการการคำนวณที่แม่นยำ Toolformer แสดงความก้าวหน้าที่เห็นได้ชัดเจนเป็นพิเศษเมื่อเทียบกับ LLM ทั่วไป โดยแก้โจทย์ดังกล่าว **ได้อย่างแม่นยำด้วยเครื่องคิดเลข** ขณะที่แม้แต่ GPT-3 ก็ยังเกิดข้อผิดพลาด<sup>[\[1\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-synced-review-1)</sup> ในการทดสอบคำถามข้อเท็จจริง (QA) Toolformer ที่อิงจาก GPT-J ยังแสดงคุณภาพการตอบที่เทียบเท่าหรือดีกว่า GPT-3 เนื่องจากสามารถค้นหาอินเทอร์เน็ตเพื่อรับข้อมูลที่เป็นปัจจุบัน<sup>[\[1\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-synced-review-1)</sup> สิ่งสำคัญคือแนวทางใหม่นี้ **ไม่ได้ลดความสามารถโดยทั่วไปของโมเดลภาษา** เช่น การต่อเติมข้อความอย่างสอดคล้องกันบนข้อมูลปกติ: Toolformer รักษาระดับการสร้างภาษาธรรมชาติโดยไม่ใช้เครื่องมือให้อยู่ในระดับเดียวกับ GPT-J ต้นฉบับ<sup>[\[3\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-arxiv-original-3)</sup> กล่าวอีกนัยหนึ่ง การเพิ่มฟังก์ชันการเรียก API ไม่ได้ «ลด» ทักษะพื้นฐานของโมเดล แต่ขยายความสามารถเหล่านั้นด้วยความสามารถเพิ่มเติม

## ความสำคัญของงานและการวิจัยต่อเนื่อง

การพัฒนา Toolformer ได้แสดงให้เห็นถึงความเป็นไปได้ในหลักการที่จะ **ฝึกโมเดลให้ใช้เครื่องมือภายนอกโดยแทบไม่ต้องมีการกำกับข้อมูลด้วยมือ** โดยผ่านการสร้างข้อมูลสังเคราะห์และการประเมินตนเองด้านความมีประโยชน์ ความสำเร็จนี้เปิดทางไปสู่ LLM ขนาดใหญ่ที่ **มีประสิทธิภาพและเชื่อถือได้มากขึ้น**: แทนที่จะเพิ่มพารามิเตอร์หลายพันล้านตัวเพื่อจดจำข้อเท็จจริงหรือกฎคณิตศาสตร์ โมเดลขนาดค่อนข้างกะทัดรัดสามารถ **ดึงทรัพยากรภายนอกแบบไดนามิก** (ฐานความรู้ เครื่องคิดเลข บริการต่างๆ) เพื่อเติมเต็มช่องว่างของตนเอง<sup>[\[1\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-synced-review-1)</sup> แนวทางนี้ช่วยลดจำนวน «ภาพหลอน» (เมื่อโมเดลสร้างข้อมูลที่ไม่มีอยู่จริง) เพิ่มความแม่นยำของคำตอบและความทันสมัยของความรู้โดยไม่ต้องปรับโมเดลทั้งหมดใหม่ โดยพื้นฐานแล้ว Toolformer บรรลุ **«สิ่งที่ดีที่สุดจากสองโลก»** — ผสมผสานทักษะด้านภาษาของโมเดลขนาดใหญ่เข้ากับความแม่นยำของเครื่องมือเฉพาะทาง<sup>[\[3\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-arxiv-original-3)</sup>

ผลงานของ Schick และเพื่อนร่วมงานเป็นหนึ่งในผลงานแรกที่แสดงให้เห็นการเรียนรู้ API ภายนอกโดยอิสระของ LLM และได้สร้างความสนใจอย่างมากในชุมชน มีการวิจัยต่อเนื่องที่พัฒนาแนวคิดนี้ต่อไป ตัวอย่างเช่น ในปี 2023 ได้มีการเสนอโมเดล **Graph-ToolFormer** ซึ่งปรับหลักการของ Toolformer สำหรับการทำงานกับข้อมูลกราฟ โดยอิงจาก prompt ที่สร้างโดย ChatGPT Graph-ToolFormer สอนโมเดลภาษาให้เรียกใช้เครื่องมือภายนอกสำหรับการแก้งานการวิเคราะห์กราฟ (เช่น การรับคุณสมบัติของกราฟ การทำงานกับเครือข่ายความรู้ ฯลฯ)<sup>[\[7\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-arxiv-graphtoolformer-7)</sup> การพัฒนาที่น่าสังเกตอีกอย่างคือโมเดล **Gorilla** (Univ. of California, Berkeley, 2023) ซึ่งมุ่งเน้นที่การใช้งาน API ของโปรแกรมบุคคลที่สามจำนวนมากอย่างแม่นยำ<sup>[\[8\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-arxiv-gorilla-8)</sup> Gorilla คือโมเดล LLaMA ที่ถูก fine-tuning บนชุดฟังก์ชันที่มีเอกสารประกอบจำนวนมาก ซึ่งสามารถสร้าง **การเรียก API ที่ถูกต้องจากคำอธิบายงาน** และประสบความสำเร็จมากจนในการทดลองสามารถแซงหน้าแม้แต่ GPT-4 ในแง่ความแม่นยำของการสร้างการเรียกไลบรารีและบริการ<sup>[\[8\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-arxiv-gorilla-8)</sup> ใน Gorilla มีการรวมกลไกการค้นหาเอกสาร ซึ่งช่วยให้สามารถอัปเดตข้อมูลเกี่ยวกับการเปลี่ยนแปลง API และลดข้อผิดพลาดและภาพหลอนในการใช้เครื่องมืออย่างมีนัยสำคัญ<sup>[\[8\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-arxiv-gorilla-8)</sup> งานเหล่านี้ยืนยันความสำคัญของทิศทางที่ Toolformer เปิด: การผสมผสาน LLM กับเครื่องมือภายนอกถูกมองว่าเป็นแนวทางที่มีแนวโน้มในการสร้างระบบ AI ที่ทรงพลังและเชื่อถือได้มากขึ้น

มีการสังเกตว่าแนวคิดการรวมเครื่องมือเข้ากับโมเดลภาษากำลังพัฒนาไม่เพียงแต่ในด้านการวิจัยเท่านั้น แต่ยังในอุตสาหกรรมด้วย ตัวอย่างเช่น ในเดือนมีนาคม 2023 บริษัท OpenAI ได้เปิดตัวระบบ **ปลั๊กอินสำหรับ ChatGPT** — อินเทอร์เฟซพิเศษที่ช่วยให้สามารถเชื่อมต่อโมเดลกับบริการภายนอก (เว็บเบราว์เซอร์ ฐานความรู้ เครื่องยนต์คำนวณ ฯลฯ) เพื่อรับข้อมูลที่เป็นปัจจุบันและดำเนินการคำนวณ<sup>[\[9\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-openai-plugins-9)</sup> ผู้ใช้ร้องขอฟังก์ชันดังกล่าวมานาน และการปรากฏตัวของปลั๊กอินนั้นได้นำแนวคิดที่คล้ายกับ Toolformer ไปปฏิบัติจริง: โมเดลถูกเสริมด้วย «เครื่องมือ» เพื่อขยายความสามารถในการตอบสนองต่อคำขอผู้ใช้ที่หลากหลาย<sup>[\[9\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-openai-plugins-9)</sup> ดังนั้น Toolformer จึงสอดคล้องกับแนวโน้มทั่วไปของการพัฒนา AI ซึ่ง LLM กำลังกลายเป็น **แพลตฟอร์ม** ที่สามารถดึงความรู้และการคำนวณภายนอกมาใช้ตามคำขอ การวิจัยที่ดำเนินการโดยทีม Meta AI และ UPF ได้วางรากฐานที่สำคัญของทิศทางนี้ โดยแสดงให้เห็นว่า LLM สามารถเรียนรู้การทำงานกับเครื่องมือโดยแทบไม่ต้องมีการแนะนำด้วยมือ และด้วยเหตุนี้จึงเข้าใกล้ผู้ช่วยอัจฉริยะที่เป็นสากลและปลอดภัยยิ่งขึ้น<sup>[\[1\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-synced-review-1)[\[3\]](https://systems-analysis.info/int/Toolformer_(TH)#cite_note-arxiv-original-3)</sup>

## ลิงก์

- บทความต้นฉบับ «Toolformer: Language Models Can Teach Themselves to Use Tools» บน arXiv
- ภาพรวม Toolformer บน Synced Review
- หน้า Toolformer บน OpenReview
- ภาพรวม Toolformer บน Medium
- บทความเกี่ยวกับโมเดล Gorilla บน arXiv
- หน้าปลั๊กอิน ChatGPT บนเว็บไซต์ OpenAI

## เอกสารอ้างอิง

- 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.

## หมายเหตุ

1.  <span id="cite_note-synced-review-1">↑ <sup>[1.00](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-synced-review_1-0)</sup> <sup>[1.01](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-synced-review_1-1)</sup> <sup>[1.02](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-synced-review_1-2)</sup> <sup>[1.03](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-synced-review_1-3)</sup> <sup>[1.04](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-synced-review_1-4)</sup> <sup>[1.05](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-synced-review_1-5)</sup> <sup>[1.06](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-synced-review_1-6)</sup> <sup>[1.07](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-synced-review_1-7)</sup> <sup>[1.08](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-synced-review_1-8)</sup> <sup>[1.09](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-synced-review_1-9)</sup> <sup>[1.10](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-synced-review_1-10)</sup> <sup>[1.11](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-synced-review_1-11)</sup> <sup>[1.12](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-synced-review_1-12)</sup> <sup>[1.13](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-synced-review_1-13)</sup> Schick, T. et al. «Meta AI & UPF's Toolformer: Enabling Language Models to Teach Themselves to Use External Tools». *Synced*. <a href="https://syncedreview.com/2023/02/16/meta-ai-upfs-toolformer-enabling-language-models-to-teach-themselves-to-use-external-tools/" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-openreview-2">[↑](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-openreview_2-0) Schick, T. et al. «Toolformer: Language Models Can Teach Themselves to Use Tools». *OpenReview*. <a href="https://openreview.net/forum?id=Yacmpz84TH" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-arxiv-original-3">↑ <sup>[3.0](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-arxiv-original_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-arxiv-original_3-1)</sup> <sup>[3.2](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-arxiv-original_3-2)</sup> <sup>[3.3](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-arxiv-original_3-3)</sup> <sup>[3.4](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-arxiv-original_3-4)</sup> <sup>[3.5](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-arxiv-original_3-5)</sup> <sup>[3.6](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-arxiv-original_3-6)</sup> Schick, T. et al. «Toolformer: Language Models Can Teach Themselves to Use Tools». *arXiv*. <a href="https://arxiv.org/abs/2302.04761" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-medium-oxenai-4">↑ <sup>[4.0](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-medium-oxenai_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-medium-oxenai_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-medium-oxenai_4-2)</sup> <sup>[4.3](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-medium-oxenai_4-3)</sup> <sup>[4.4](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-medium-oxenai_4-4)</sup> <sup>[4.5](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-medium-oxenai_4-5)</sup> <sup>[4.6](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-medium-oxenai_4-6)</sup> <sup>[4.7](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-medium-oxenai_4-7)</sup> <sup>[4.8](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-medium-oxenai_4-8)</sup> OXEN AI. «Arxiv Dives Toolformer: Language models can teach themselves to use tools». *Medium*. <a href="https://medium.com/@oxenai/arxiv-dives-toolformer-language-models-can-teach-themselves-to-use-tools-b50c9312c2a9" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-paperswithcode-5">[↑](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-paperswithcode_5-0) «Toolformer: Language Models Can Teach Themselves to Use Tools». *Papers With Code*. <a href="https://paperswithcode.com/paper/toolformer-language-models-can-teach" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-arxiv-fewshot-6">[↑](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-arxiv-fewshot_6-0) Brown, Tom B. et al. «Language Models are Few-Shot Learners». *arXiv*. <a href="https://arxiv.org/abs/2005.14165" class="external autonumber" rel="nofollow">[6]</a></span>
7.  <span id="cite_note-arxiv-graphtoolformer-7">[↑](https://systems-analysis.info/int/Toolformer_(TH)#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*. <a href="https://arxiv.org/abs/2304.11116" class="external autonumber" rel="nofollow">[7]</a></span>
8.  <span id="cite_note-arxiv-gorilla-8">↑ <sup>[8.0](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-arxiv-gorilla_8-0)</sup> <sup>[8.1](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-arxiv-gorilla_8-1)</sup> <sup>[8.2](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-arxiv-gorilla_8-2)</sup> Patil, Shishir G. et al. «Gorilla: Large Language Model Connected with Massive APIs». *arXiv*. <a href="https://arxiv.org/abs/2305.15334" class="external autonumber" rel="nofollow">[8]</a></span>
9.  <span id="cite_note-openai-plugins-9">↑ <sup>[9.0](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-openai-plugins_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/Toolformer_(TH)#cite_ref-openai-plugins_9-1)</sup> «ChatGPT plugins». *OpenAI*. <a href="https://openai.com/index/chatgpt-plugins/" class="external autonumber" rel="nofollow">[9]</a></span>