为什么重要
17000+ 个从真实用户交互中收集的工具调用需求，比 BFCL 的合成数据更难——因为真实用户表达模糊、需求复杂。
构建方式与示例
真实用户查询。例如：“帮我查一下北京明天适不适合跑步”（模糊需求 → 需要调用天气+空气质量 API）
返回评测
Agent Agent-工具调用 未饱和
模态 · 文本
任务 · 执行验证
WildToolBench
17000+ 个从真实用户交互中收集的工具调用需求，比 BFCL 更贴近 in-the-wild 场景
多校 ·
考察能力
工具调用 真实需求 错误恢复 多工具
构建信息
- 数据规模
- 17000+ queries
- 构建方式
- 真实用户交互收集
- 评测方式
- 工具调用准确性 + 任务完成
- 核心指标
- Pass Rate (%)
资源链接
模型效果排行
🥇 GPT-4o
~65% 2024-10
工具使用 真实需求 Agent