license: cc-by-nc-4.0 datasets:

• Salesforce/APIGen-MT-5k
• Salesforce/xlam-function-calling-60k language:
• en pipeline_tag: text-generation tags:
• function-calling
• LLM Agent
• tool-use
• llama
• qwen
• pytorch
• LLaMA-factory library_name: transformers

[論文] | [ホームページ] | [データセット] | [Github]

xLAM-2モデルファミリーへようこそ！

Large Action Models (LAMs)は、ユーザーの意図を実行可能なアクションに変換することで意思決定を強化する先進的な言語モデルです。AIエージェントの「頭脳」として、LAMsは特定の目標を達成するためにタスクを自律的に計画・実行し、さまざまなドメインでのワークフロー自動化に不可欠な存在です。
このモデルリリースは研究目的のみです。

新しいxLAM-2シリーズは、最も先進的なデータ合成、処理、トレーニングパイプラインを基に構築され、マルチターン会話とツール使用において大きな飛躍を遂げました。シミュレートされたエージェントと人間の相互作用を通じて高品質のトレーニングデータを生成する、新規のAPIGen-MTフレームワークを使用してトレーニングされています。私たちのモデルは、BFCLおよびτ-benchベンチマークで最先端の性能を達成し、GPT-4oやClaude 3.5などのフロンティアモデルを凌駕しています。特に、小規模なモデルでもマルチターンシナリオで優れた能力を発揮し、試行間の一貫性を保っています。

また、チャットテンプレートとvLLM統合を改良し、先進的なAIエージェントの構築を容易にしました。以前のxLAMモデルと比較して、xLAM-2は優れた性能とアプリケーション間のシームレスなデプロイを提供します。

大規模なxLAM-2-fc-rモデル（8B-70B、APIGen-MTデータでトレーニング）と最先端のベースラインとの比較（BFCL v3、2025年4月2日時点）およびエージェント機能（τ-bench）。

目次

• 使用方法
  • Huggingfaceチャットテンプレートを使用した基本的な使用方法
  • vLLMを使用した推論
    • セットアップとサーバー起動
    • OpenAI APIを使用したテスト
• ベンチマーク結果
• 引用

モデルシリーズ

xLAMシリーズは、一般的なタスクや関数呼び出しなど多くの点で大幅に優れています。同じパラメータ数でも、元のモデルの能力を保ちつつ、幅広いエージェントタスクとシナリオでファインチューニングされています。

*注: Qwen-2.5ベースのモデルのデフォルトコンテキスト長は32kですが、YaRN（Yet Another Recursive Network）などの技術を使用して最大128kのコンテキスト長を達成できます。詳細はこちらを参照してください。

以前のxLAMシリーズはこちらで探索できます。

-fcサフィックスは、モデルが関数呼び出しタスク用にファインチューニングされていることを示し、-rサフィックスは研究リリースであることを示します。

✅ すべてのモデルはvLLMおよびTransformersベースの推論フレームワークと完全に互換性があります。

使用方法

フレームワークバージョン

• Transformers 4.46.1（以降）
• PyTorch 2.5.1+cu124（以降）
• Datasets 3.1.0（以降）
• Tokenizers 0.20.3（以降）

Huggingfaceチャットテンプレートを使用した基本的な使用方法

新しいxLAMモデルは、Hugging Face Transformersライブラリとシームレスに連携し、自然なチャットテンプレートを使用して簡単で直感的な会話体験を提供するように設計されています。以下はこれらのモデルを使用する例です。

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("Salesforce/Llama-xLAM-2-3b-fc-r")
model = AutoModelForCausalLM.from_pretrained("Salesforce/Llama-xLAM-2-3b-fc-r", torch_dtype=torch.bfloat16, device_map="auto")

# ツール呼び出しを含む会話例
messages = [
    {"role": "user", "content": "こんにちは、調子はどうですか？"},
    {"role": "assistant", "content": "ありがとう。元気です。何かお手伝いできますか？"},
    {"role": "user", "content": "ロンドンの天気はどうですか？"},
]

tools = [
    {
        "name": "get_weather",
        "description": "指定した場所の現在の天気を取得します",
        "parameters": {
            "type": "object",
            "properties": {
                "location": {"type": "string", "description": "都市と州、例: サンフランシスコ、CA"},
                "unit": {"type": "string", "enum": ["celsius", "fahrenheit"], "description": "返す温度の単位"}
            },
            "required": ["location"]
        }
    }
]

print("====== チャットテンプレート適用後のプロンプト ======")
print(tokenizer.apply_chat_template(messages, tools=tools, add_generation_prompt=True, tokenize=False))

inputs = tokenizer.apply_chat_template(messages, tools=tools, add_generation_prompt=True, return_dict=True, return_tensors="pt")
input_ids_len = inputs["input_ids"].shape[-1] # 入力トークンの長さを取得
inputs = {k: v.to(model.device) for k, v in inputs.items()}
print("====== モデルの応答 ======")
outputs = model.generate(**inputs, max_new_tokens=256)
generated_tokens = outputs[:, input_ids_len:] # 新しく生成されたトークンのみを取得
print(tokenizer.decode(generated_tokens[0], skip_special_tokens=True))

vLLMを使用した推論

xLAMモデルは、高スループット推論のためにvLLMを使用して効率的に提供することもできます。Qwenベースのモデルでは性能が低下するため、vllm>=0.6.5を使用してください。

セットアップとサーバー起動

1. 必要なバージョンのvLLMをインストール:

pip install "vllm>=0.6.5"

2. ツールパーサープラグインをローカルパスにダウンロード:

wget https://huggingface.co/Salesforce/xLAM-2-1b-fc-r/raw/main/xlam_tool_call_parser.py

3. OpenAI API互換エンドポイントを起動:

vllm serve Salesforce/xLAM-2-1b-fc-r \
  --enable-auto-tool-choice \
  --tool-parser-plugin ./xlam_tool_call_parser.py \
  --tool-call-parser xlam \
  --tensor-parallel-size 1

注: ツールパーサープラグインファイルがダウンロードされ、--tool-parser-pluginで指定されたパスがファイルの正しいローカルコピーを指していることを確認してください。xLAMシリーズモデルはすべて同じツール呼び出しパーサーを使用するため、すべてのモデルに対して一度だけダウンロードすれば十分です。

OpenAI APIを使用したテスト

以下は、提供されたエンドポイントでツール使用をテストする最小限の例です:

import openai
import json

# ローカルvLLMエンドポイントを使用するようにクライアントを設定
client = openai.OpenAI(
    base_url="http://localhost:8000/v1",  # デフォルトのvLLMサーバーURL
    api_key="empty"  # 任意の文字列で可
)

# ツール/関数を定義
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "指定した場所の現在の天気を取得します",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "都市と州、例: サンフランシスコ、CA"
                    },
                    "unit": {
                        "type": "string",
                        "enum": ["celsius", "fahrenheit"],
                        "description": "返す温度の単位"
                    }
                },
                "required": ["location"]
            }
        }
    }
]

# チャット補完を作成
response = client.chat.completions.create(
    model="Salesforce/xLAM-2-1b-fc-r",  # モデル名は関係ありません、vLLMは提供されたモデルを使用します
    messages=[
        {"role": "system", "content": "ツールを使用できる役立つアシスタントです。"},
        {"role": "user", "content": "サンフランシスコの天気はどうですか？"}
    ],
    tools=tools,
    tool_choice="auto"
)

# 応答を表示
print("アシスタントの応答:")
print(json.dumps(response.model_dump(), indent=2))

より高度な設定とデプロイオプションについては、vLLMドキュメントを参照してください。

ベンチマーク結果

Berkeley Function-Calling Leaderboard (BFCL v3)

[BFCLリーダーボード](https://gorilla.cs.berkeley.edu/leaderboard.html)でのさまざまなモデルの性能比較。ランクは、さまざまな評価カテゴリの加重平均である全体の精度に基づいています。「FC」は、関数呼び出しを抽出するためのカスタマイズされた「プロンプト」を使用するのではなく、関数呼び出しモードを表します。

τ-benchベンチマーク

τ-benchベンチマークでの成功率（pass@1）、少なくとも5回の試行の平均。私たちのxLAM-2-70b-fc-rモデルは、τ-benchで56.2%の全体成功率を達成し、ベースのLlama 3.1 70B Instructモデル（38.2%）やDeepSeek v3（40.6%）などの他のオープンソースモデルを大幅に上回りました。特に、私たちの最良のモデルは、GPT-4o（52.9%）などのプロプライエタリモデルをも凌駕し、Claude 3.5 Sonnet（新）（60.1%）などのより最近のモデルの性能に近づいています。

τ-retail（左）およびτ-airline（右）ドメインのすべてのタスクに対して平均化された、5回の独立した試行すべてが特定のタスクで成功する確率を測定するPass^k曲線。高い値はモデルの一貫性が良いことを示します。

倫理的考慮事項

このリリースは、学術論文をサポートするための研究目的のみです。私たちのモデル、データセット、およびコードは、すべての下流用途に対して特別に設計または評価されているわけではありません。このモデルをデプロイする前に、精度、安全性、公平性に関する潜在的な懸念を評価し、対処することを強くお勧めします。AIの一般的な制限を考慮し、適用可能な法律に準拠し、特にエラーや誤用が人々の生活、権利、または安全に重大な影響を与える可能性のある高リスクシナリオでは、ベストプラクティスを活用することをお勧めします。ユースケースに関するさらなるガイダンスについては、AUPおよびAI AUPを参照してください。

モデルライセンス

Llama関連モデルについては、対応するLlamaライセンスと条件にも従ってください。Meta Llama 3はMeta Llama 3 Community Licenseの下でライセンスされており、Copyright © Meta Platforms, Inc. All Rights Reservedです。

引用

私たちのモデルまたはデータセットを研究で使用する場合は、以下の論文を引用してください:

@article{prabhakar2025apigen,
  title={APIGen-MT: Agentic PIpeline for Multi-Turn Data Generation via Simulated Agent-Human Interplay},
  author={Prabhakar, Akshara and Liu, Zuxin and Zhu, Ming and Zhang, Jianguo and Awalgaonkar, Tulika and Wang, Shiyu and Liu, Zhiwei and Chen, Haolin and Hoang, Thai and others},
  journal={arXiv preprint arXiv:2504.03601},
  year={2025}
}

さらに、xLAMシリーズに関する他の素晴らしい関連作品をチェックし、それらも引用することを検討してください:

@article{zhang2025actionstudio,
  title={ActionStudio: A Lightweight Framework for Data and Training of Action Models},
  author={Zhang, Jianguo and Hoang, Thai and Zhu, Ming and Liu, Zuxin and Wang, Shiyu and Awalgaonkar, Tulika and Prabhakar, Akshara and Chen, Haolin and Yao, Weiran and Liu, Zhiwei and others},
  journal={arXiv preprint arXiv:2503.22673},
  year={2025}
}

@article{zhang2024xlam,
  title={xLAM: A Family of Large Action Models to Empower AI Agent Systems},
  author={Zhang, Jianguo and Lan, Tian and Zhu, Ming and Liu, Zuxin and Hoang, Thai and Kokane, Shirley and Yao, Weiran and Tan, Juntao and Prabhakar, Akshara and Chen, Haolin and others},
  journal={arXiv preprint arXiv:2409.03215},
  year={2024}
}

@article{liu2024apigen,
  title={Apigen: Automated pipeline for generating verifiable and diverse function-calling datasets},
  author={Liu, Zuxin and Hoang, Thai and Zhang, Jianguo and Zhu, Ming and Lan, Tian and Tan, Juntao and Yao, Weiran and Liu, Zhiwei and Feng, Yihao and RN, Rithesh and others},
  journal={Advances in Neural Information Processing Systems},
  volume={37},
  pages={54463--54482},
  year={2024}
}

@article{zhang2024agentohana,
  title={AgentOhana: Design Unified Data and Training Pipeline for Effective Agent Learning},
  author={Zhang, Jianguo and Lan, Tian and Murthy, Rithesh and Liu, Zhiwei and Yao, Weiran and Tan, Juntao and Hoang, Thai and Yang, Liangwei and Feng, Yihao and Liu, Zuxin and others},
  journal={arXiv preprint arXiv:2402.15506},
  year={2024}
}