保加利亚科学家让AI学会"说工具语言"：突破多语言模型的功能调用难题

这项由保加利亚索菲亚大学"圣克利门特·奥赫里德斯基"数学与信息学院软件技术系的西蒙·伊曼努伊洛夫（Simeon Emanuilov）主导的突破性研究，已于2025年发表。有兴趣深入了解的读者可以通过作者提供的邮箱ssemanuilo@fmi.uni-sofia.bg获取更多信息。

如果我们把现代AI语言模型比作一个聪明的翻译员，那么这个翻译员现在面临着一个棘手问题：虽然它能够流利地用各种语言聊天，但当需要操作外部工具时，它就像突然忘记了如何使用工具一样笨拙。保加利亚的研究团队就是要解决这个让人头疼的问题。

想象一下，你有一个非常聪明的助手，它能用完美的保加利亚语与你交谈，理解你说的每一个词。但是当你让它帮你查天气、预订机票或者计算税费时，它就开始语无伦次，要么完全忘记使用工具，要么使用错误的工具，要么即使选对了工具也填错参数。这正是目前多语言AI模型面临的尴尬境地——它们在英语环境下能够熟练地调用各种功能，但一旦切换到其他语言，就像换了一个人似的。

这种现象在学术界被称为"语言混乱"现象。当AI模型被要求用非英语语言进行功能调用时，它们经常会表现出令人困惑的行为：有时会开始详细解释它们将要做什么，而不是直接执行；有时会生成错误的参数；有时甚至完全拒绝使用工具，宁愿靠"猜测"给出答案。

研究团队选择保加利亚语作为突破口，这并非偶然。保加利亚语属于斯拉夫语族，使用西里尔字母，与英语在语言结构上存在显著差异。如果能够在保加利亚语上取得成功，就意味着这套方法可以推广到世界上大多数非英语语言。

研究者们开发出了一个名为TUCAN（工具使用能力助手导航器）的AI模型系列。这个名字听起来像是某种热带鸟类，但实际上它代表着一项重要的技术突破。TUCAN不仅仅是对现有模型的简单改进，而是经过专门训练的"多语言工具使用专家"。

为了训练TUCAN，研究团队创建了一个包含10,035个对话的双语数据集。这些对话就像是给AI上的"实战训练课"，教它如何在保加利亚语环境下正确使用各种工具。每个对话都是精心设计的场景，涵盖了从简单的功能调用到复杂的多轮交互。

最令人印象深刻的是实验结果。在2.6B参数的模型上，TUCAN相比原始的BgGPT模型实现了28.75%的准确率提升。这个数字可能听起来有些抽象，但换个角度理解：如果原来的模型只能正确处理一半的工具使用请求，那么经过训练的TUCAN模型能够处理近八成的请求。对于9B参数的模型，提升幅度为8.34%，而27B参数的模型也获得了0.83%的改进。

有趣的是，研究发现模型越小，从专门训练中获得的收益就越大。这就像是在教授使用工具的过程中，"学生"越是基础薄弱，通过专门指导获得的进步就越明显。相反，那些已经很"聪明"的大模型，虽然也有改进，但提升幅度相对较小，因为它们在某种程度上已经具备了一些工具使用的基础能力。

一、创新的训练数据：教AI学会"工具语言"

要让AI学会在非英语环境下使用工具，首先需要给它提供合适的"教材"。研究团队意识到，传统的指令遵循数据集根本无法满足功能调用的复杂需求。功能调用不仅仅是简单的问答，而是需要AI理解何时需要工具、选择哪个工具、如何正确填写参数，以及如何处理工具返回的结果。

想象一下教一个孩子使用厨房工具做饭。你不能只是告诉他"这是锅，这是铲子"，而需要通过大量的实际操作练习，让他明白什么时候用锅，什么时候用铲子，火候如何控制，调料如何搭配。AI学习工具使用也是同样的道理。

研究团队采用了一种混合方法来创建训练数据。他们首先手动制作了一批高质量的"黄金标准"示例，这些示例涵盖了各种不同的功能调用场景。然后，他们使用这些示例作为"种子"，通过GPT-4.1、Google的Gemini 2.5 Pro和Anthropic的Claude Sonnet 4等先进模型生成了更多的训练样本。这种方法确保了数据的质量和多样性。

最终的数据集包含了10,035个对话，每个对话都是一个完整的交互场景。这些对话的设计非常巧妙，反映了真实世界中的使用情况：功能定义通常用英语（遵循开发者的标准做法），而用户与AI助手之间的对话则用保加利亚语。这种双语设计完美模拟了实际部署环境。

数据集中的对话长度从1条消息到15条消息不等，平均长度为4.4条消息。这种变化确保了AI能够处理从简单的单轮请求到复杂的多轮交互的各种情况。比如，有些对话是用户直接说"帮我查一下明天的天气"，AI立即调用天气API；而有些对话则是用户说"我想订机票"，AI需要进一步询问出发地、目的地、日期等信息，然后才能调用预订功能。

研究团队还专门设计了六种不同类型的场景来测试AI的各种能力。第一种是"需要功能调用"的场景，测试AI是否能够识别何时需要使用工具。第二种是"多功能选择"场景，当有多个可用工具时，AI需要选择最合适的那个。第三种是"有功能但不相关"的场景，测试AI是否会在不需要工具时错误地使用工具。第四种是"无功能可用"的场景，确认AI能够在没有合适工具时提供文本回答。第五种是"模糊功能选择"场景，测试AI在面临多个潜在选项时的推理能力。最后一种是"缺少必需参数"场景，测试AI如何处理信息不完整的情况。

这种全面的场景设计就像是为AI设计了一套完整的"驾驶考试"，涵盖了从基本操作到复杂路况的各种情况。只有在所有这些场景中都表现良好的AI，才能说真正掌握了工具使用的技能。

数据集中还有一个重要特征：它包含了大量的"拒绝"行为示例。也就是说，AI不仅要学会何时使用工具，更要学会何时不使用工具。在16.54%的对话中，AI明确拒绝使用可用的功能，因为这些功能对用户的请求并不合适。这种"自我约束"能力对于实际应用来说极其重要，因为错误的工具使用可能比不使用工具造成更大的问题。

二、技术路线：精巧的"改造手术"

研究团队面临的一个关键决策是：是从头开始训练一个新模型，还是对现有模型进行改进？他们明智地选择了后者，因为从零开始训练大型语言模型不仅需要巨大的计算资源，还可能丢失现有模型已经学到的宝贵知识。

这就像是对一辆性能良好的汽车进行改装，而不是重新制造一辆汽车。基础的引擎（语言理解能力）已经很好了，需要做的是加装一些专门的设备（功能调用能力），让它能够适应新的使用场景。

研究团队选择了保加利亚BgGPT模型系列作为基础，这些模型基于Google的Gemma-2架构，分别有2.6B、9B和27B三种不同的参数规模。BgGPT模型本身就是专门为保加利亚语优化的，具备优秀的语言理解能力，为功能调用的改进提供了坚实的基础。

为了在保持原有能力的同时添加新功能，研究团队采用了一种叫做"低秩适应"（LoRA）的参数高效微调技术。这种技术的巧妙之处在于，它不会大规模修改原始模型的参数，而是在关键位置添加一些小的"适配器"模块。就像在原有的电路板上添加一些小芯片，而不是重新设计整个电路板。

具体来说，LoRA技术只需要调整模型中很小一部分参数就能实现功能扩展。对于2.6B参数的模型，只有0.79%的参数需要调整；对于9B参数的模型，这个比例是1.2%；对于27B参数的模型，比例是0.85%。这种精确的"微创手术"确保了原有能力不会受到损害。

研究团队还发现了一个有趣的现象：不同规模的模型需要不同的"治疗方案"。2.6B的小模型比较"脆弱"，需要使用较低的LoRA参数（秩和alpha都设为16）来确保训练稳定；而9B和27B的大模型则可以承受更高的参数（秩和alpha都设为32），从而获得更大的适应能力。

为了让模型在实际部署中更加实用，研究团队还采用了4位量化技术。这就像是把一个高清电影压缩成更小的文件，在保持基本质量的同时大大减少了存储空间和计算需求。这意味着TUCAN模型可以在普通的消费级硬件上运行，而不需要昂贵的专业设备。

训练过程使用了精心设计的提示模板，这个模板就像是给AI的"工作手册"，明确告诉它应该如何格式化功能调用。模板用保加利亚语定义了AI的角色和行为规范，然后提供功能定义和用户查询。这种结构化的方法确保了AI能够生成格式正确、易于解析的功能调用。

更重要的是，这个提示模板强调了一种"简洁执行"的风格。AI被训练成只在需要时才使用工具，使用时要直接生成JSON格式的功能调用，而不是进行冗长的解释。这种风格非常适合生产环境的需求，因为自动化系统需要的是可靠、简洁的指令，而不是啰嗦的解释。

三、评估框架：给AI的"期末考试"

要验证TUCAN模型是否真的学会了工具使用，研究团队开发了一套专门的评估框架，名为Tucan-Eval。这个框架就像是为AI设计的"标准化考试"，通过系统性的测试来评估AI在各种场景下的表现。

传统的AI评估通常只关注语言理解或生成能力，但功能调用评估要复杂得多。它需要检验AI是否能够正确解析用户意图、选择合适的工具、生成正确的参数，以及处理工具返回的结果。这就像是评估一个修理工不仅要看他是否理解客户的问题描述，还要看他能否选对工具、正确使用工具，最后解决实际问题。

Tucan-Eval框架采用了命令行界面设计，这让它能够轻松集成到各种研究和开发流程中。它支持多种模型架构，包括Hugging Face的开源模型、OpenAI的API模型，以及本地部署的模型。这种灵活性确保了评估结果的可比性和可重复性。

评估过程分为四个阶段，每个阶段都有明确的检验目标。第一阶段是"工具调用解析"，系统从AI生成的回复中提取JSON格式的功能调用。如果AI生成的JSON格式不正确，就会被归类为"格式错误"。第二阶段是"行为验证"，检查AI的行为是否符合场景要求，比如在需要工具时是否调用了工具，在不需要工具时是否避免了调用。

第三阶段是"功能验证"，对于需要使用工具的场景，系统会检查AI是否选择了正确的功能。第四阶段是"参数比较"，这是最细致的检验，系统会逐一比较AI生成的参数是否与预期一致。为了处理实际应用中的各种变化，这个阶段采用了宽容的匹配策略，包括类型转换、大小写规范化，甚至西里尔字母到拉丁字母的音译处理。

错误分类系统特别值得关注，因为它能够精确诊断AI的问题所在。"应调用时未调用"错误表示AI没有意识到需要使用工具；"意外调用"错误表示AI在不合适的时候使用了工具；"错误功能"错误表示AI选择了不当的工具；"错误参数"错误表示AI选对了工具但填错了参数；"格式错误"则表示AI生成的JSON无法解析。

评估数据集包含120个精心设计的测试用例，平均分布在六种不同的场景类型中。这些测试用例涵盖了政府服务、商业应用、个人任务和技术操作等多个领域，确保了评估的全面性。每个测试用例都有明确的预期行为和参数，为客观评估提供了标准。

这种全面的评估方法就像是对AI进行了一次"全方位体检"，不仅检查它是否能够完成任务，还要检查它完成任务的方式是否正确、高效。只有通过这样严格的测试，才能确信AI真正掌握了工具使用的技能。

四、实验结果：小模型的大跃进

当研究团队公布实验结果时，最令人惊讶的发现是模型规模与改进幅度之间的反比关系。你可能会直觉地认为越大的模型应该获得越大的改进，但实际情况恰恰相反。

在2.6B参数的小模型上，TUCAN实现了最戏剧性的提升。原始的BgGPT-2.6B模型在功能调用测试中只有50%的准确率，而经过训练的Tucan-2.6B模型达到了78.75%的准确率，提升了28.75个百分点。这种程度的改进就像是把一个勉强及格的学生培养成了优等生。

相比之下，9B参数的模型从78.33%提升到86.67%，改进了8.34个百分点；27B参数的模型从86.67%提升到87.50%，改进了0.83个百分点。这种趋势表明，越大的模型在某种程度上已经具备了一些工具使用的基础能力，而小模型则从专门训练中获得了更大的收益。

更深入的分析揭示了这种差异的原因。在具体的场景测试中，原始的BgGPT-2.6B模型在一些关键场景中表现极其糟糕。在"需要功能调用"场景中，它的准确率为0%，这意味着它完全不知道何时应该使用工具。在"多功能选择"和"模糊选择"场景中，它的表现同样是0%，说明它无法在多个选项中做出正确判断。

经过训练的Tucan-2.6B模型在这些场景中分别达到了65%、80%和55%的准确率，这是一个质的飞跃。这就像是教会了一个完全不懂工具的人不仅知道何时需要工具，还知道在面临多种工具时如何选择最合适的那个。

在参数处理方面，TUCAN模型展现出了特别优秀的能力。在"缺少必需参数"场景中，Tucan-9B和Tucan-27B都达到了100%的准确率，而Tucan-2.6B也达到了95%的准确率。这表明经过训练的模型不仅知道如何使用工具，还知道在信息不完整时如何请求用户提供更多信息。

错误分析提供了更深层次的洞察。原始BgGPT-2.6B模型的主要问题是"应调用时未调用"错误，占所有测试用例的50%。这是一个根本性的缺陷，表明模型缺乏工具使用的基本意识。TUCAN模型将这种错误降低到了10%，显著改善了工具使用的主动性。

同时，"意外调用"错误在较大的TUCAN模型中被完全消除，这表明这些模型学会了很好地区分何时应该使用工具，何时应该依靠内部知识回答问题。这种判断能力对于实际应用来说至关重要，因为错误的工具调用不仅会浪费计算资源，还可能产生不准确的结果。

值得注意的是，在所有测试中，没有任何模型产生"格式错误"，这意味着所有模型都成功学会了正确的JSON格式生成。这种结构化输出的一致性对于自动化系统的集成来说是必不可少的。

五、语言能力保持：不忘初心

在AI模型的改进过程中，有一个被称为"灾难性遗忘"的现象特别令人担忧。就像一个人在学习新技能时可能会忘记之前掌握的技能一样，AI模型在学习功能调用时也可能会损失原有的语言理解能力。

为了验证TUCAN模型是否保持了原有的语言能力，研究团队在四个标准的保加利亚语基准测试上对所有模型进行了评估。这些测试就像是对AI的"基础学科考试"，检验它们在常识推理、指代消解和科学问答等方面的表现。

结果令人欣慰。在HellaSwagBG（常识推理）测试中，TUCAN模型的表现与原始模型几乎没有差别，最大偏差只有0.0382分。在WinograndeBG（指代消解）测试中，差异更是微乎其微。在ARC测试（科学问答）中，无论是简单版本还是挑战版本，TUCAN模型都保持了与原始模型相当的水平。

这些微小的差异完全在测量误差的范围内，表明LoRA微调技术确实成功地在不损害原有能力的情况下添加了新功能。有趣的是，Tucan-2.6B在某些测试上甚至略有提升，这可能是因为功能调用训练提高了模型的整体推理能力。

这种"能力保持"的成功实现了研究的一个重要目标：创造出既能熟练使用工具，又不丢失原有语言技能的AI模型。这就像是培养出了既会使用现代工具，又没有忘记传统技艺的工匠。

六、响应质量：简洁胜过冗繁

除了准确性的提升，TUCAN模型在响应风格上也表现出了显著的改进。这种改进在实际应用中的价值甚至可能超过准确性的提升。

原始的BgGPT模型，特别是较大的27B模型，倾向于生成冗长、解释性的响应。当用户询问"计算我的房产税"时，BgGPT-27B可能会回答："为了计算房产税，我将使用calculate_property_tax函数。下面是函数调用的格式：..."然后才生成实际的函数调用。

这种"教学式"的响应虽然看起来更有礼貌，但对于自动化系统来说却是一个麻烦。自动化系统需要的是干净、可解析的指令，而不是冗长的解释。过多的解释文字不仅增加了解析的复杂性，还可能引入解析错误。

相比之下，TUCAN模型学会了生成简洁、直接的响应。对于同样的房产税查询，TUCAN模型会直接输出正确格式的JSON函数调用，没有不必要的解释文字。这种"言简意赅"的风格完美适应了生产环境的需求。

这种风格差异反映了两种不同的设计哲学。传统的聊天机器人更像是一个健谈的助手，倾向于解释自己的行为；而TUCAN更像是一个高效的执行者，专注于完成任务而不是解释过程。在工具使用的场景中，后者显然更加实用。

七、规模效应：小而精的魅力

研究中最有趣的发现之一是模型规模与改进效果之间的反比关系。这个发现挑战了"越大越好"的传统观念，提供了关于AI模型优化的新视角。

分析显示，BgGPT模型系列本身展现出了强烈的正向规模效应：从2.6B的50%准确率到9B的78.33%，再到27B的86.67%，随着参数增加，功能调用能力稳步提升。但是，专门训练带来的改进却呈现相反的趋势。

这种现象可以用"天花板效应"来解释。大型模型在某种程度上已经接近了在当前任务上的性能上限，进一步的改进空间有限。而小型模型还有很大的改进空间，因此从专门训练中获得了更显著的收益。

这个发现对实际应用具有重要意义。在很多场景中，计算资源是有限的，用户需要在模型性能和计算成本之间做出权衡。TUCAN的结果表明，通过适当的训练，较小的模型可以在特定任务上达到接近大模型的性能，同时消耗更少的计算资源。

换句话说，经过专门训练的Tucan-2.6B在功能调用任务上的表现已经非常接近原始的BgGPT-27B，但前者的计算需求只有后者的十分之一左右。这种"以小博大"的效果对于资源受限的部署环境来说具有重要价值。

八、实际应用：从实验室到现实世界

TUCAN模型的成功不仅仅是学术上的突破，更重要的是它为多语言AI应用开辟了新的可能性。在全球化的今天，AI系统需要能够服务不同语言背景的用户，而不仅仅是英语用户。

考虑一个具体的应用场景：保加利亚的电子政务系统。用户可能需要用保加利亚语查询各种政府服务，比如申请文件、查询税务信息、预约服务等。在TUCAN之前，这样的系统要么只能提供有限的自动化服务，要么需要大量的人工干预。

有了TUCAN，用户可以用自然的保加利亚语与系统交互："我需要更新我的地址信息"或"帮我计算今年的所得税"。系统能够理解用户的意图，选择合适的后端服务，填写正确的参数，然后将结果以用户理解的方式呈现出来。

另一个重要的应用领域是商业自动化。许多国际公司在本地化服务时面临着语言障碍。他们的内部系统和API通常是英语的，但需要为本地用户提供母语服务。TUCAN模式的成功证明了可以构建能够桥接这种语言差异的AI系统。

在技术实现层面，TUCAN模型的部署也考虑了实际需求。研究团队提供了多种格式的模型发布，包括完整模型、LoRA适配器和GGUF量化版本。这种多样化的发布策略让不同技术能力和资源条件的用户都能够使用这些模型。

对于开发者来说，LoRA适配器格式特别有价值，因为它允许他们在不重新训练整个模型的情况下添加功能调用能力。GGUF量化版本则让资源有限的组织也能够部署这些模型。

九、方法论的普适性：一套方案解决全球问题

TUCAN项目最重要的贡献之一是提供了一套可复制的方法论。研究团队不仅发布了训练好的模型，还开源了完整的训练数据集、评估框架和技术细节。这种开放性确保了其他研究者可以将这套方法应用到其他语言上。

这套方法论的核心要素包括几个关键组件。首先是双语数据集的构建策略，保持功能定义为英语（符合开发者习惯），而用户交互为目标语言。这种设计反映了真实世界的部署情况，大多数API和工具的文档都是英语的，但用户交互需要本地化。

其次是训练策略的设计，使用LoRA微调技术既保持了计算效率，又避免了灾难性遗忘。参数配置的经验（小模型使用较低的LoRA参数，大模型可以使用较高的参数）为其他研究者提供了有价值的参考。

评估框架的设计也具有普适性。六种场景类型和五种错误分类涵盖了功能调用的主要挑战，可以直接应用到其他语言的评估中。命令行界面的设计让评估过程标准化，提高了结果的可比性。

更重要的是，这套方法论证明了在非英语语言上实现高质量功能调用是完全可行的。这为全球AI公平性做出了重要贡献，因为它表明先进的AI能力不应该只是英语用户的专利。

研究团队特别强调了这种方法的经济可行性。整个训练过程使用的计算资源相对有限，不需要像从头训练大模型那样的巨大投入。这让更多的研究机构和公司能够为自己的目标语言开发类似的解决方案。

考虑到世界上有数千种语言，其中很多都缺乏足够的AI支持，TUCAN模式提供了一种可扩展的解决路径。通过适当的本地化努力，每个语言社区都可能拥有自己的"工具使用专家"AI系统。

这种可复制性还体现在技术栈的选择上。研究使用的都是开源工具和框架，包括Hugging Face的transformer库、Unsloth训练库等。这些工具的广泛可用性降低了复制研究的技术门槛。

从更宏观的角度看，TUCAN项目代表了一种新的AI国际化思路。传统的方法是训练一个巨大的多语言模型，试图同时服务所有语言。但这种方法往往导致"多语言诅咒"，即模型在每种语言上的表现都不够出色。

TUCAN模式则提倡"分而治之"的策略：为每种语言优化专门的模型，在保持语言专业性的同时添加通用功能。这种方法可能更符合实际应用的需求，因为大多数用户主要使用一种或少数几种语言。

十、未来展望：更广阔的应用前景

虽然TUCAN项目已经取得了显著成功，但这仅仅是开始。研究团队明确指出了当前工作的一些局限性，这些局限性也指明了未来研究的方向。

首先是评估规模的问题。120个测试用例虽然涵盖了主要场景，但相比真实世界的复杂性仍然有限。未来的工作需要构建更大规模、更多样化的评估数据集，包括更多的边缘情况和复杂交互模式。

其次是与其他方法的比较。当前的研究主要与基础模型进行比较，但缺乏与其他功能调用增强方法的系统性对比。比如，复杂的提示工程技术可能也能在一定程度上改善功能调用性能，量化这些方法之间的差异将有助于开发者选择最适合的解决方案。

人类评估也是一个重要的发展方向。虽然自动化评估能够量化准确性，但用户体验的质量最终需要人类来判断。未来的研究应该包含更多的用户研究，评估实际使用中的满意度和有用性。

从技术角度看，多模态功能调用是一个激动人心的前沿领域。当前的TUCAN模型主要处理文本输入和输出，但未来的AI助手需要能够处理图像、音频等多种模态的信息。比如，用户可能会上传一张照片并用保加利亚语问"这张照片是在哪里拍的？"，系统需要能够调用图像识别和地理位置服务来回答问题。

另一个重要方向是动态工具发现和学习。当前的模型需要预先知道所有可用的工具，但在真实环境中，工具集合是动态变化的。未来的系统应该能够自动发现新的工具，学习它们的使用方法，甚至能够组合多个工具来完成复杂任务。

安全性和可靠性也是需要重点关注的领域。在生产环境中，错误的功能调用可能会造成严重后果，比如错误的金融交易或不当的数据删除。未来的研究需要开发更强的安全机制，包括权限控制、操作确认和回滚机制。

跨语言的知识转移是另一个有趣的研究方向。如果能够开发出从一种语言的功能调用模型快速迁移到另一种语言的技术，就可以大大降低为新语言开发AI助手的成本。这种转移学习方法可能会让更多小语种受益于先进的AI技术。

最后，模型压缩和优化仍然是一个重要课题。虽然TUCAN已经证明了小模型的有效性，但在移动设备和边缘计算场景中，模型仍然需要进一步压缩。开发能够在智能手机上流畅运行的功能调用模型将开启全新的应用可能性。

说到底，TUCAN项目的成功证明了一个重要观点：先进的AI能力不应该被语言障碍所限制。通过合适的方法和足够的努力，我们可以为世界上任何语言的用户提供智能的工具使用能力。这不仅是技术的进步，更是AI民主化和全球化的重要一步。

当我们展望未来时，可以设想这样一个世界：无论你说什么语言，无论你身在何处，都可以用你最熟悉的语言与AI系统自然交互，让它帮你完成各种复杂的任务。TUCAN项目向我们展示了这个愿景是完全可以实现的，而且实现的成本可能比我们想象的要低得多。

归根结底，这项研究的最大价值在于它提供了一个可行的路线图，让全世界的开发者和研究者都能为自己的语言社区开发出智能的AI助手。在AI技术快速发展的今天，确保这种发展的成果能够公平地惠及所有人，是我们共同的责任和机会。有兴趣的读者可以通过研究团队开源的代码和数据集，亲自体验这项技术，甚至为自己关心的语言贡献类似的解决方案。

Q&A

Q1：TUCAN是什么？它解决了什么问题？ A：TUCAN是保加利亚科学家开发的AI模型系列，全称"工具使用能力助手导航器"。它解决了多语言AI模型在非英语环境下无法正确使用外部工具的问题。以前AI只能用英语熟练调用功能，现在TUCAN让AI能用保加利亚语等其他语言也能准确使用各种工具。

Q2：TUCAN的效果有多好？真的比原来的模型强很多吗？ A：效果非常显著，特别是在小模型上。2.6B参数的模型提升了28.75%，9B模型提升8.34%，27B模型提升0.83%。有趣的是，模型越小，改进效果越明显。而且TUCAN不仅准确率高，生成的响应也更简洁实用，适合实际应用。

Q3：这个方法能应用到中文等其他语言吗？ A：完全可以！研究团队特意开源了全套方法和工具，就是为了让其他语言也能复制这个成功。他们提供了详细的技术方案、训练数据集和评估框架，任何研究者都可以用同样的方法为中文、法语、阿拉伯语等语言开发类似的AI助手。