ニュース
Keyword Harnesses Fail Open: A Cheap Diagnostic Ladder for Tool-Use Claims in Small Language Models
arXiv cs.AI · 公開日 · 読了3分
30秒で要点
- 何が起きたか
- Keyword-matching benchmarks falsely credit small language models for tool use they cannot actually perform, requiring stricter diagnostics.
- なぜ重要か
- Matters when evaluating tool-use capabilities of small models under 1.2 billion parameters before deployment in production systems.
- 注意点
- The proposed diagnostic ladder is cheap but requires careful implementation; seed sensitivity limits generalizability of some findings across different model architectures.
- language model
- small model
- tool use
- tool-use
- tokenizer
この話題の背景にあるパターン
各ページで、技術の仕組み、コストに見合う場面、そして破綻する条件を解説しています。
The Agent Architect
1つのパターン、1つのトレードオフ、1つの本番障害事例。エージェントシステムを構築する人のための短い週刊ブリーフィング。
週1回のメール、ワンクリックで購読解除できます。アドレスはブリーフィングの送信のみに使用します。