Data Turnstile: A Scalable Open Framework for Function-Calling Data Generation
Data Turnstile 是一个开源框架，根据用户定义的 API 规范生成用于函数调用的合成训练数据。它将多轮工具使用交互分解为带验证和错误反馈循环的约束逐步生成。在 BFCL 单轮基准上，使用 Turnstile 数据微调的 Qwen3-0.6B 达到 75.9% 的总体准确率，而基础模型启用思考时为 67.4%，接近启用思考的 Qwen3-1.7B（78.4%）和 Qwen3-4B（79.9%）。
发展脉络
- 首次出现Data Turnstile: A Scalable Open Framework for Function-Calling Data GenerationarXiv cs.CL
- 当前判断Data Turnstile 表明，数据质量是小型模型在工具使用任务中的关键瓶颈，合成数据生成框架可能降低对大型模型的依赖。这可能导致更多针对特定领域的小型模型微调，推动边缘部署。可验证的下一信号：该框架在 GitHub 上的星标数或相关论文引用。Agent Pulse · 分析
Data Turnstile 是一个开源框架，用于根据用户定义的 API 规范生成高质量的函数调用合成训练数据。它解决了小型语言模型（SLM）在工具使用任务中因训练数据稀缺和嘈杂而表现不佳的问题。该框架将多轮工具使用交互分解为约束性的逐步生成，并带有验证和错误反馈循环，从而对 API 多样性、对话复杂性和输出正确性进行细粒度控制。在 BFCL 单轮基准上，使用 Turnstile 数据微调的 Qwen3-0.6B 在无思维链的情况下达到 75.9% 的总体准确率，而基础模型启用思考时为 67.4%，缩小了与启用思考的 Qwen3-1.7B（78.4%）和 Qwen3-4B（79.9%）的差距，尽管模型分别小 3 倍和 7 倍。
Data Turnstile 通过将多轮工具使用分解为带验证和错误反馈的约束步骤，为函数调用数据生成提供了细粒度控制。在 BFCL 上，Qwen3-0.6B 微调后达到 75.9%，超过基础模型启用思考的 67.4%，表明高质量合成数据可以弥补模型容量不足。可验证的下一信号：在更多基准（如 τ-bench）上的结果，以及社区采用该框架的案例。
Data Turnstile 表明，数据质量是小型模型在工具使用任务中的关键瓶颈，合成数据生成框架可能降低对大型模型的依赖。这可能导致更多针对特定领域的小型模型微调，推动边缘部署。可验证的下一信号：该框架在 GitHub 上的星标数或相关论文引用。
Data Turnstile 通过生成高质量合成数据，降低了训练函数调用模型的门槛，尤其对资源受限的团队有利。它可能加速小型模型在代理部署中的应用，降低成本和延迟。可验证的下一信号：采用该框架的团队或产品案例。
Data Turnstile 可能推动更多针对特定领域的小型模型微调，减少对大型模型的依赖。未来可能看到更多类似框架，以及小型模型在工具使用任务中的更广泛应用。可验证的下一信号：框架的更新频率或相关基准的改进。