---
title: "GTA – 上海AI Lab联合交大推出评估通用工具智能体的基准测试"
url: "https://paooo.com/aigc-news/25787/"
author: "Prompt 语宙研究院"
published_at: "2026-07-16T10:18:29+08:00"
updated_at: "2026-07-16T10:18:29+08:00"
categories: "AIGC 资讯"
tags: "3D与空间智能, AI智能体, HuggingFace, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# GTA – 上海AI Lab联合交大推出评估通用工具智能体的基准测试

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/25787/) · 作者：Prompt 语宙研究院 · 发布时间：2026-07-16

## AI 30 秒核心看点 (TL;DR)

- GTA用229个真实风格问题和14种真实部署工具，评估LLM通用工具调用能力。
- 基准覆盖感知、操作、逻辑、创造力，并引入多模态输入输出与细粒度指标。
- 实测采用step-by-step与end-to-end双模式，能更清晰定位模型工具使用瓶颈。

## GTA是什么

GTA（a benchmark for General Tool Agents）是上海交通大学和上海AI实验室共同推出的基准测试，评估大型语言模型（LLMs）在真实世界场景中调用工具的能力。GTA基于提供真实的用户问题、真实部署的工具和多模态输入输出，建立一个全面、细粒度的评估框架，有效衡量LLMs在复杂场景下的工具使用能力。GTA包含229个人类设计的问题，覆盖感知、操作、逻辑和创造力等多个类别，要求模型推理合适的工具，规划操作步骤，解决现实世界中的复杂任务。

## GTA的主要功能

- **真实用户查询**：包含229个人类编写的问题，问题具有简单的现实世界目标，但解决步骤和所需工具是隐含的，要求LLM基于推理选择合适的工具、规划操作步骤。

- **真实部署的工具**：GTA提供一个评估平台，部署涵盖感知、操作、逻辑和创造力四大类别的14种工具，评估代理的实际任务执行性能。

- **多模态输入输出**：GTA引入空间场景、网页截图、表格、代码片段、手写/打印材料等多模态输入，要求模型处理丰富的上下文信息，给出文本或图像输出。

- **细粒度评估**：GTA设计细粒度的评估指标，包括指令遵循准确率（InstAcc）、工具选择准确率（ToolAcc）、参数预测准确率（ArgAcc）和答案总结准确率（SummAcc），及最终答案准确率（AnsAcc）。

- **模型评测**：GTA在逐步模式（step-by-step mode）和端到端模式（end-to-end mode）下评估语言模型，提供对模型工具使用能力的全面评估。

## GTA的技术原理

- **数据集构建**：GTA的数据集构建包括问题构建和工具链构建两个步骤。问题由专家设计样例和标注文档，由标注人员基于样例设计更多的问题。工具链由标注人员手动调用部署好的工具构建，确保每个问题都能用提供的工具解决。

- **工具调用**：GTA用ReAct风格的提示模板，让LLM用特定的格式调用工具，处理工具返回的结果。模板支持LLM进行推理和规划，决定何时及如何调用工具。

- **多模态处理**：GTA要求LLM处理和理解多模态输入，包括图像、文本等，要求模型具备跨模态的理解和推理能力。

- **细粒度评估指标**：GTA设计的评估指标覆盖工具调用的整个过程，从LLM的工具调用过程到执行结果，提供对模型性能的全面评估。

- **模型比较**：基于比较不同模型在GTA上的表现，揭示现有模型在处理真实世界问题时面临的工具使用瓶颈，为未来的通用工具智能体提供改进方向。

## GTA的项目地址

- **项目官网**：[open-compass.github.io/GTA](https://open-compass.github.io/GTA/?utm_source=ai-bot.cn)

- **GitHub仓库**：[https://github.com/open-compass/GTA](https://github.com/open-compass/GTA)

- **HuggingFace模型库**：[https://huggingface.co/datasets/Jize1/GTA](https://huggingface.co/datasets/Jize1/GTA)

- **arXiv技术论文**：[https://arxiv.org/pdf/2407.08713](https://arxiv.org/pdf/2407.08713)

## GTA的应用场景

- **智能助理开发**：GTA评估和训练智能助理，让其更好地理解和执行复杂的用户请求，涉及多步骤和多种工具的调用。

- **多模态交互**：在需要处理图像、文本和其他多媒体内容的场景中，GTA帮助模型学习如何结合多种输入类型解决问题。

- **自动化客户服务**：GTA用在开发自动解决客户问题的系统，系统需要调用不同的工具和资源提供准确的答案和解决方案。

- **教育和培训**：GTA作为教育工具，帮助学生理解如何设计和实现复杂的任务，任务需要多步骤推理和工具使用。

- **研究和开发**：研究人员用GTA测试和比较不同的LLMs，探索工具使用能力的新方法，推动AI技术的发展。

## 常见问题解答 (FAQ)

### GTA基准测试主要评估什么能力？
GTA主要评估大语言模型在真实世界场景中调用工具的能力，包括工具选择、参数预测、步骤规划、结果总结以及最终答案生成，重点看模型能否处理复杂、多步骤、带多模态输入的任务。

### GTA和普通工具调用评测有什么不同？
GTA的特点是使用真实用户问题、真实部署工具和多模态输入输出，并提供细粒度指标如InstAcc、ToolAcc、ArgAcc、SummAcc和AnsAcc，因此比只看最终答案的评测更能反映真实工具使用能力。

### GTA适合用在哪些场景？
GTA可用于智能助理开发、多模态交互、自动化客户服务、教育培训以及LLM研究对比，帮助开发者评估模型在复杂任务中是否能正确选工具、按步骤执行并输出可靠结果。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)