xLAM-2（Salesforce 的多轮工具调用模型系列）

是什么

Salesforce 把大行动模型（large action model）称作 AI 智能体的「大脑」，负责把意图变成可执行的行动 ^[1]。xLAM-2 就是这一思路下的模型系列，参数规模覆盖 10 亿到 700 亿，建立在 Llama 与 Qwen 两类基座模型之上 ^[1][2]。这样的跨度意味着同一套方法既能用在算力紧张的场景，也能用在可以部署大模型的场景。

它瞄准的不是早期工具调用演示里那种「一问一调」的函数调用。这个系列是按多轮工具调用（multi-turn tool use）来调的，而不是单次函数调用（single-call function calling）^[1]。区别很实际：单次调用是模型收到一个请求、给出一次工具调用；多轮调用则是模型调用工具、读取返回结果、再决定下一步，可能反复很多轮，并涉及多个不同的工具。智能体真正跑起来靠的就是这个循环，而它更难学，因为模型要在多轮之间保持对状态的理解。

训练数据从哪来

数据一侧写在论文里，标题把流水线解释得很清楚：APIGen-MT，一条通过模拟智能体与人交互来做多轮数据生成的智能体式流水线（agentic pipeline for multi-turn data generation via simulated agent-human interplay）^[2]。它分两个阶段：第一阶段写出任务蓝图（blueprint），即一个任务应当包含什么的结构化描述；第二阶段模拟智能体与人之间的互动，产生的轨迹成为训练数据 ^[2]。

两个阶段之间有一道筛子：在轨迹生成之前，先由一组大语言模型评审员（committee of LLM reviewers）检查蓝图 ^[2]。把检查放在这个位置是出于成本的考虑——多轮交互的生成是昂贵的部分，先筛蓝图能避免糟糕的任务设计白白消耗预算。

除了模型，Salesforce 还公开了 APIGen-MT-5k 和 xlam-function-calling-60k 两个数据集 ^[1]，把数据工作摆到台面上，而不是藏在发布物内部。

结果

Salesforce 报告说，这些模型在 BFCL 和 tau-bench 上超过了 GPT-4o 和 Claude 3.5 ^[1]。模型卡把这次基准对比的时间标为 2025 年 4 月 2 日 ^[1]。这是发布方自己给出的比较结论，不是独立评测；它说的是在这两个工具调用基准上的胜负，而不是对一般能力的整体判断，需要绝对分数的人应当去看原始数据。这个说法确立的是比较对象：xLAM-2 被放到通用前沿聊天模型旁边比较，而不只是和别的专用行动模型相比。

为智能体部署做的改造

工具调用能力再强，也要接进循环里才能用，这次发布也反映了这一点：聊天模板（chat template）和 vLLM 集成都是为智能体部署重新做过的 ^[1]。聊天模板负责把一段对话整理成模型期望的提示格式，而智能体循环每一步都要把工具返回的结果接上去重发一次；vLLM 集成则是对应的推理服务路径。这类「管道」工作往往决定一个模型能不能不写定制胶水就塞进智能体框架。

许可与适用范围

模型以 CC-BY-NC 4.0 许可发布，并被标注为仅供研究使用 ^[1]。非商业条款意味着权重可以拿来研究和在研究中试用，但不能照原样放进商业产品。

在发展中的位置

xLAM-2 属于一次定位上的转移：模型的产出从「文字」转向「行动」。把模型称作智能体的大脑，等于把「采取行动」当成一种需要独立数据流水线、独立基准和独立部署要求的能力——先写蓝图再模拟交互的数据生成器、评审委员会、工具调用榜单，以及为智能体循环准备好的聊天模板 ^[1][2]。