Small Reasoning Models are Instruction Followers in Function Calling
Questo articolo introduce l'Instruction-Followed Function Calling (IFFC), un framework che delega la logica di chiamata di funzione a un modello più piccolo e capace di seguire le istruzioni per ottenere un'accuratezza e una robustezza superiori sotto quantizzazione rispetto agli approcci nativi o basati su prompt, particolarmente per i modelli LLM orientati al ragionamento.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo in rapida evoluzione dell'intelligenza artificiale, si sta verificando un cambiamento: dai computer che si limitano a generare testo a sistemi capaci di compiere azioni. Questi nuovi sistemi, spesso chiamati modelli "agentici", sono progettati per risolvere problemi interagendo con il mondo esterno. Lo fanno selezionando strumenti, come app meteo o calcolatrici, e utilizzandoli per raccogliere informazioni prima di rispondere a una domanda. Per molto tempo, solo i modelli informatici più potenti e costosi sono stati ritenuti affidabili per svolgere questi compiti. Erano costruiti con un linguaggio interno specifico e rigido per comunicare con questi strumenti, un metodo noto come chiamata a funzione nativa (native function calling). Tuttavia, man mano che la tecnologia è maturata, i ricercatori hanno iniziato a guardare a modelli informatici molto più piccoli ed efficienti. Questi modelli compatti sono più facili da eseguire su dispositivi quotidiani come smartphone e laptop, offrendo una migliore privacy e costi inferiori, ma storicamente hanno faticato con le regole strette e complesse richieste per utilizzare correttamente gli strumenti esterni.
Un team di ricercatori provenienti da università dell'Iran ha sfidato l'assunto secondo cui questi modelli più piccoli debbano seguire le stesse regole rigide dei giganti per avere successo. Nel loro recente lavoro, hanno scoperto che i modelli piccoli ottengono prestazioni molto migliori quando viene chiesto loro di usare strumenti attraverso una semplice conversazione, piuttosto che attraverso una struttura di comando tecnica specializzata. Hanno scoperto che quando un modello piccolo viene trattato come un assistente utile che segue un insieme chiaro di istruzioni in linguaggio naturale, commette molti meno errori rispetto a quando è costretto a parlare un codice macchina specifico. Questa intuizione li ha portato a creare un nuovo sistema che suddivide il lavoro tra due modelli diversi. Un modello piccolo e veloce agisce come decisore, ascoltando l'utente e capendo se è necessario uno strumento. Se è richiesto uno strumento, questo piccolo modello gestisce la richiesta utilizzando istruzioni in linguaggio naturale. Il modello principale, più grande, prende poi quell'informazione e formula la risposta finale per l'utente.
I ricercatori hanno testato questo approccio utilizzando una varietà di piccoli modelli, alcuni con appena un miliardo di parametri, che è una misura della dimensione e della complessità del modello. Hanno confrontato il loro nuovo metodo con i modi standard in cui questi modelli vengono solitamente istruiti per usare gli strumenti. I risultati sono stati sorprendenti. Il nuovo sistema, che hanno chiamato Instruction-Followed Function Calling, ha permesso a modelli compatti più grandi, come il Qwen-3 da 4 miliardi di parametri, di superare enormi baseline proprietarie come GPT-5.2 e Claude 4.5 Sonnet, che sono tipicamente considerati il gold standard. Ad esempio, il modello Qwen-3 4B utilizzando il loro nuovo metodo ha raggiunto un'accuratezza del 94,1% su un sottoinsieme di valutazione Non-Live di un difficile test di utilizzo degli strumenti, superando significativamente le prestazioni dello stesso modello utilizzando i metodi tradizionali. Sebbene i modelli più piccoli testati (0,6B) siano rimasti indietro rispetto ai giganti proprietari molto più grandi in alcune categorie, il framework ha dimostrato che modelli piccoli specializzati e capaci di ragionamento possono eguagliare o superare le prestazioni di sistemi massicci quando viene rimosso l'onere architettonico delle rigide definizioni degli strumenti.
Una parte fondamentale della loro scoperta è stata la comprensione di come questi modelli pensano. I ricercatori hanno scoperto che i modelli progettati per "pensare" a un problema prima di rispondere sono molto più affidabili di quelli che generano semplicemente una risposta immediata. Quando questi modelli di ragionamento ricevevano il compito di decidere quale strumento usare, potevano correggere i propri errori e seguire istruzioni complesse con alta precisione. Questo era particolarmente vero quando i modelli venivano compressi per essere eseguiti su dispositivi più piccoli. Di solito, rendere un modello più piccolo o eseguirlo su hardware meno potente causa un calo drastico delle prestazioni. Tuttavia, i ricercatori hanno scoperto che il loro nuovo metodo era incredibilmente robusto. Anche quando i modelli venivano rimpiccioliti per utilizzare pochissima memoria, quelli che utilizzavano il metodo di istruzione in linguaggio naturale mantenevano la loro alta accuratezza. Ciò suggerisce che la capacità di ragionare e seguire una conversazione sia una base più stabile per l'uso degli strumenti rispetto alla memorizzazione di un formato tecnico rigido.
Lo studio ha anche evidenziato un difetto nel modo in cui molti sistemi sono costruiti attualmente. Spesso, un singolo modello grande è chiamato a fare tutto: comprendere l'utente, decidere quale strumento usare e scrivere la risposta finale. I ricercatori hanno dimostrato che questo approccio spesso confonde il modello, poiché i dettagli complessi degli strumenti si mescolano con la conversazione. Separando i compiti, il loro nuovo sistema mantiene la conversazione pulita. Il modello piccolo si occupa del lavoro pesante di capire quale strumento utilizzare, e il modello principale si concentra esclusivamente sul parlare con l'utente. Questa separazione impedisce al sistema di essere sopraffatto da troppe informazioni contemporaneamente. I ricercatori hanno dimostrato che questo metodo funziona bene anche in scenari reali dove la velocità e la privacy sono critiche, come nel cruscotto di un'auto o in un assistente domestico, dove inviare dati a un server distante non è un'opzione praticabile.
In definitiva, questo lavoro suggerisce una nuova strada per l'intelligenza artificiale sui dispositivi quotidiani. Dimostra che non abbiamo bisogno di fare affidamento su computer enormi e voraci di energia per eseguire compiti complessi. Invece, cambiando il modo in cui chiediamo ai modelli più piccoli di lavorare — trattandoli come assistenti intelligenti che seguono istruzioni piuttosto che come macchine che eseguono codice — possiamo ottenere risultati che sono sia altamente accurati che efficienti. Le scoperte indicano che il futuro dell'intelligenza artificiale personale, privata e reattiva potrebbe non risiedere nella costruzione di modelli più grandi, ma in modi più intelligenti di utilizzare i modelli più piccoli che già possediamo.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.