ToolBench 是由 ToolLLM 项目提出的大规模工具调用基准，包含约 1.6 万个真实 API 与上万条多步骤指令数据，用于评测大语言模型在工具检索、调用和任务完成上的能力，是当前 LLM 智能体（Agent）研究方向最常引用的评测集之一。围绕它的近期讨论，集中在小模型经过强化学习后能否在大规模工具选择上匹敌甚至超越远大于自己的模型。
ToolBench 相关近期进展
当前焦点与观察点
目前围绕 ToolBench 的讨论有三个值得跟踪的方向。其一是"小模型 vs 大模型"的路线之争：Meta 与 CMU 的工作用 RL 训练的 8B 模型在万级工具选择上超过 402B 模型，如果这一结果在不同基准和数据设置下可复现，将影响智能体产品在成本与性能之间的选型逻辑。其二是工具检索方法的演进：从向量相似度检索到 HYSET 提出的超边预测式工具集检索，社区正尝试处理工具之间存在依赖、需要组合选择这一更贴近真实使用的难题。其三是评测本身的局限：ToolBench 构建 API 时部分依赖自动生成，答案与标注质量在文献中存在争议，对比不同模型成绩时需注意评测口径与版本差异。总体来看，ToolBench 仍是工具使用研究的基础参照系，但对其结论应结合更新更严的后续基准交叉验证。