# 上交大小红书联手打造LoopTool：自动化数据进化框架，显著提升大模型工具调用能力

- Link: https://paooo.com/aigc-news/12941/
- Published: 2026-06-17T01:12:22+08:00
- Author: 站外新闻

> **💡 站外导读：**随着AI Agent和工具调用成为大模型落地的核心能力，高质量训练数据
> 的生成与优化成为关键瓶颈。传统静态数据集难以动态适配模型演进，导致训练效率低下、
> 模型泛化能力不足。LoopTool应运而生，它构建了一个自动化的数据进化闭环，从种子数据
> 生成到迭代优化，持续提升模型在复杂工具调用场景下的表现，为解决大模型数据瓶颈提供
> 了全新思路。

## LoopTool是什么

LoopTool 是上海交通大学和小红书团队推出的自动化、模型感知、迭代式的数据进化框架，
能提升大语言模型（LLM）在工具调用任务上的性能。框架通过闭环优化，将数据生成、标签
修正与模型训练紧密结合，形成动态反馈机制。LoopTool 包括种子数据构建和迭代优化两大
阶段，后者涵盖贪婪能力探测、判别引导标签校验和错误驱动数据扩展等核心模块，能够动态
调整训练数据，精准优化模型薄弱环节。实验表明，LoopTool 显著提升了模型在工具调用任务
上的表现，在多个公开榜单上达到开源模型的最佳成绩。

阅读目录

 * [LoopTool是什么](https://paooo.com/aigc-news/12941/#looptool%e6%98%af%e4%bb%80%e4%b9%88)
 * [LoopTool的主要功能](https://paooo.com/aigc-news/12941/#looptool%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [LoopTool的技术原理](https://paooo.com/aigc-news/12941/#looptool%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [LoopTool的项目地址](https://paooo.com/aigc-news/12941/#looptool%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [LoopTool的应用场景](https://paooo.com/aigc-news/12941/#looptool%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/aigc-news/12941/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

![LoopTool](https://paooo.com/wp-content/uploads/2026/05/LoopTool-website2-1.avif)

## LoopTool的主要功能

 * **自动化数据生成**：构建高质量的种子数据集，支持多智能体对话生成，确保数据多样
   性和一致性。
 * **动态数据优化**：根据模型表现，自动识别、优化模型的薄弱环节，生成更具挑战性的
   训练样本。
 * **标签校验与修正**：通过开源模型比较预测与标签，修正错误标签，减少噪声数据对训练
   的影响。
 * **模型性能提升**：在多个基准测试中显著提升模型的工具调用能力，同时增强模型的泛
   化推理能力。

## LoopTool的技术原理

 * **自动化工具增强数据构建（Seed Generation）**：用语义树和约束树合成符合功能意图
   和结构规范的API定义。通过多智能体对话生成流程（包括Planner Agent、User Agent、
   Assistant Agent和Tool Agent）构建高质量种子数据集。
 * **基于闭环迭代的模型训练与数据演化**：
    - **GRPO强化学习训练**：通过二值奖励函数优化模型的工具调用能力。
    - **贪婪能力探测（GCP）**：识别模型已掌握、失败和边界样本，保留高困惑度样本用
      在下一轮训练。
    - **判别引导标签校验（JGLV）**：使用开源模型比较预测与原标签，修正错误标签。
    - **错误驱动数据扩展（EDDE）**：基于错误样本生成结构相似但情境多样的新样本，
      增强模型对难点样本的学习能力。
 * **闭环迭代更新**：每轮训练数据由高困惑度样本、修正后的错误样本、新生成样本和未
   使用的子样本组成，形成“训练-测评-修正-扩展”的完整闭环。

## LoopTool的项目地址

 * **GitHub仓库**：https://github.com/Rednote-DeepExperience/LoopTool
 * **HuggingFace模型库**：https://huggingface.co/papers/2511.09148
 * **arXiv技术论文**：https://arxiv.org/pdf/2511.09148

## LoopTool的应用场景

 * **API 调用**：LoopTool适用智能客服、自动化任务等场景，帮助模型高效完成查询和数据
   交互。
 * **多轮任务规划**：LoopTool 优化模型在多轮对话中的任务规划能力，使其适应复杂任务
   的逐步执行，如智能助手的多步骤任务处理。
 * **知识检索**：提升问答系统中信息获取的准确性和效率，帮助模型更好地理解用户需求。
 * **代码生成与执行**：提高模型生成代码并调用执行工具的准确性，适用编程辅助和教育
   平台，减少代码错误。
 * **多模态任务**：优化模型调用多模态工具的能力，提升智能安防、图像识别等场景中多
   模态数据处理的性能。

#### 📝 站长洞察 (Editor’s Insight)

LoopTool的出现标志着数据工程在大模型训练中的范式转移——从“静态投喂”迈向“动态共生”。
其闭环迭代机制不仅解决了数据噪声和标签错误的老大难问题，更关键的是实现了数据与模型
能力的协同进化。这在AI Agent时代尤为重要，因为工具调用能力直接决定了大模型能否可靠
地执行复杂任务、接入真实世界系统。上交大与小红书的合作也颇具深意：学术前沿研究与
工业场景数据的结合，正成为推动AI落地的新范式。未来，我们或将看到更多类似LoopTool
的“数据智能”框架，它们将与模型架构创新同等重要，共同定义下一代AI系统的能力边界。