Salesforce 公开 APIGen-MT 数据管线与 xLAM-2 模型

背景

这里说的「智能体（agent）」，指的是拿到一个任务和一组工具（搜索、代码解释器、订票接口等）之后，要分多轮把事情做完的语言模型：每一步都得自己决定调用哪个工具、对用户说什么。训练这种模型，需要大量示例对话，并且每一轮都标好「本该怎么动作」。APIGen-MT 这篇论文的核心论点就是：这类高质量多轮数据非常稀缺，靠人工收集成本很高^[1]。

困难是结构性的。单轮样本只是一问一答，多轮样本却是一整条序列；第四步的正确动作，取决于前三步发生了什么。必须有人把整条序列写出来，连同一个真实系统本该返回的工具结果一起写出来，再逐轮核对中间步骤没有出错。这种工作很难规模化，于是自动生成变得有吸引力：如果正确的动作序列可以用一种紧凑的形式规定下来，剩余部分就可以交给模型去填。

公开了什么

论文于 2025 年 4 月 4 日出现在 arXiv 上^[1]。与此同时，Salesforce 公开了 xLAM-2-fc-r 系列模型，用生成的数据训练，规模从 1B 到 70B 参数^[1]。模型权重和生成的数据集以非商业许可发布在 Hugging Face 上^[2]，Salesforce 也注明这次模型发布仅供研究用途^[2]。

数据管线怎么工作

APIGen-MT 把数据生成拆成两个阶段。第一阶段产出带有标准答案动作的任务蓝图（blueprint）^[1]：蓝图是一个任务的骨架，写明用户想做什么、涉及哪些工具、什么样的动作序列算正确。第二阶段把蓝图展开成完整的交互轨迹（trajectory）^[1]，也就是完整的往返过程，包括用户的每一轮发言、智能体的工具调用、工具返回的结果，以及最后的答复。

这个拆法是整项工作里比较关键的设计，因为生成数据容易出问题的两个地方被分开了。动作序列对不对，在蓝图阶段就能确定，那时还没有任何对话文本。对话读起来像不像真人会打的字，是表面形式的问题，可以在第二阶段处理，而不影响底下动作的正确性。把结构与措辞分开，就可以严格校验真正决定任务成败的部分，同时自由变化决定真实感的部分。

结果

论文称，xLAM-2-fc-r 系列在同样的多轮基准测试上优于此前的模型^[1]。和所有由被测模型作者本人给出的基准结果一样，这句话描述的是模型在这些基准上的表现，不是一份通用的智能体模型排名。

为什么重要

构建智能体的功夫，很大一部分花在获取示范数据上，而不是花在模型本身。把管线、生成的数据集和权重一起公开，别人拿到的不只是一个检查点，而是一套可以复现的做法：可以重跑生成过程，翻看蓝图，检查轨迹在哪些地方成功、哪些地方失败。对想了解智能体训练数据现状的读者来说，管线本身可能比模型更有信息量，因为模型只是它的一个应用。

许可条款划出了清晰的边界：权重和数据集采用非商业许可^[2]，Salesforce 也注明仅供研究用途^[2]。这意味着这批材料可以用于研究、对比和后续实验，但若要做成商业产品，需要另作安排。