Araştırmacılar, büyük dil modeli ajanlarının geniş bir kayıtlı araç havuzundan doğru aracı seçmesine yardımcı olan bir erişim sistemi olan TRACER’ı kullanıma sundu. Sistem, önceki araç çağrısı dizilerini trie adı verilen ağaç benzeri bir dizinde saklıyor ve olası sonraki araçları veriye dayalı sinyaller ile bağlamsal ipuçlarını bir araya getirerek sıralıyor. Deneylerde TRACER, GPT‑5.4’ün doğru aracı seçme oranını 4,7 yüzde puan artırırken yalnızca 128 araçtan 5’ini gösterdi ve her adımda kullanılan girdi tokenlarını yaklaşık %80 azalttı.
Ne kadar daha iyi performans gösteriyor?
Altı test ortamı ve dört dil modeli genelinde TRACER, 24 model-ortam eşleşmesinin 21’inde tüm araçların gösterildiği yöntemi geride bıraktı. Araç seçimi doğruluğundaki ortalama artış 6 ila 10 puan arasında değişti; geride kaldığı üç durumda fark en fazla 2,2 puandı. Baştan sona otonom bir çalıştırmada sistem, GPT‑5.4’ün genel görev başarısını korurken her adımda %61 daha az girdi tokenı kullandı.
Bu kullanıcılar için ne anlama geliyor?
Stok kontrolü veya bir telekomünikasyon planını etkinleştirme gibi işler için harici hizmetleri çağırması gereken yapay zekâ asistanları geliştirenler, TRACER sayesinde asistanlarını daha hızlı ve daha düşük maliyetle çalıştırabilir; çünkü dil modeline çok daha az token gönderilir. Daha az token kullanılması, çok sayıda araç bulunduğunda modelin bağlam sınırına ulaşma olasılığını da düşürür.
Neden önemli
Geliştiriciler, dil modeline daha az token göndermeleri gerektiğinden daha hızlı yanıt veren ve işletme maliyeti daha düşük akıllı asistanlar geliştirebilir. Son kullanıcılar için bu, yapay zekânın fiyat sorgulaması, hizmet rezervasyonu veya harici bir sistemden veri alma gibi işlemleri daha hızlı yapması anlamına gelebilir.
