全新 SMITH 框架讓小模型媲美大模型，以更少 Token 完成推理任務，加速可規模化多代理協作
【台灣，台北－2026 年 9 月 29 日】以 Agentic AI 即服務（AaaS）為核心的 AI 原生公司 Appier（TSE: 4180），今日發表最新研究論文《大型語言模型代理之工具創建與使用聯合優化》，提出全新強化學習框架「SMITH」，讓 AI 同時學會「建立工具」與「正確使用工具」的能力，並讓工具透過實際解題成果不斷精進，回應「AI 做得出工具，卻不一定用得好」的挑戰。研究證實，經 SMITH 訓練的小型模型不僅能建立可重複使用的工具，面對從未見過的任務時，甚至能以更輕量的模型展現媲美大型模型建立工具的表現，並可跨模型、跨任務共享，大幅降低重複推理所需的 Token 成本。該論文成功入選國際權威 AI 會議 NeurIPS，再次印證 Appier 在提升 AI Agent 效率與推動多代理協作方面的研究實力，持續引領全球 Agentic AI 研究浪潮。
NeurIPS 自 1987 年創辦以來，一直是全球 AI 與機器學習領域公認的頂尖學術殿堂，被譽為「AI 領域的奧林匹克」。Appier 執行長暨共同創辦人游直翰博士表示：「人類會把一次次解決問題的經驗轉化成工具，讓下一次不必重新開始，AI Agent 正朝這個方向演進。這次研究證明，Agent 不只能學習建立工具，還能持續自我優化，並讓不同規模的模型共享經驗證的工具，進一步推動更高效、可規模化的多代理協作。論文獲 NeurIPS 接受是對 Appier 前瞻研究與技術創新的再一次肯定。我們將持續推進 Agentic AI 技術落地，為企業創造可衡量的成果。」
AI Agent 要會做工具，更要知道自己做的工具好不好用
隨著 Agentic AI 開始自主處理愈來愈多企業流程任務，Agent 能否正確選擇及呼叫外部工具，已成為 AI 實際落地的關鍵能力。目前許多 AI 系統仍仰賴工程師預先開發 API 或設定固定工具，一旦資料來源、任務或商業需求改變，就需要重新開發。即使 AI 能自己建立工具，既有方法仍常將「建立」與「使用」交由不同模型處理，使建立工具的 AI 難以從實際使用結果獲得回饋，也難以判斷工具是否描述清楚、運作可靠，或能否被其他模型正確呼叫。
SMITH（Schema-grounded Multi-task Iterative Tool Honing）則把這兩項能力放在同一個訓練循環中，讓 AI 同步學習如何做出好工具、以及如何把工具用好。當工具的功能描述模糊、參數設計有誤或實際執行失敗，這些結果就會回饋給模型，透過「建立、使用、驗證、優化」的閉環持續改善工具品質。研究證實，將建立與使用工具協同訓練，效果明顯優於把兩項工作分開處理。Appier AI 團隊研究科學家林玠言指出：「SMITH 在訓練模型使用工具時，僅提供工具說明與參數規格，不讓模型接觸背後的程式碼，使工具說明是否清楚、能否被正確呼叫，都直接成為訓練過程中的回饋依據。實驗也證實，這些工具能供其他模型使用，並有效提升其解題表現。展望未來，我們期望模型能具備可持續與環境互動、解決更廣泛任務的能力。」
從 4 個案例學方法，以 16 個新問題驗證 AI 的舉一反三能力
SMITH 採取「由簡入難」的訓練策略，先讓 AI 從 4 個簡單案例中歸納方法並建立工具，再用 16 個訓練時未見過、難度更高的問題測試，藉此驗證這些工具是否真正具備舉一反三的能力。唯有能實際解決新問題的工具，才會被保留並納入可供多個 AI Agent 使用的「共用工具庫」。隨著更多優質工具持續加入，效果較差的工具也會被更有效的工具取代，讓 Agent 不必每遇到新任務就重新建立工具，而是能持續累積並運用經過驗證的解題能力。
小模型也能做出好工具，還能交給其他 AI 使用
本次研究呈現三項重要成果。首先，經 SMITH 訓練的約 40 億參數模型，在訓練時未見過的任務上，其建立的工具整體表現不僅優於研究中其他比較方法，甚至超越約 300 億參數級模型即時建立工具的基準，顯示高效工具的建立不必完全依賴更大的模型。
其次，經驗證的工具可被不同規模的模型使用。由小型模型建立的工具，交由僅約 3.5 億參數的輕量模型使用後，仍能有效處理新任務；相同工具也能提升大型模型的表現，支援更靈活、高效的多代理分工。
第三，SMITH 可將反覆推理轉化為可直接呼叫的工具。實驗顯示，平均輸出 Token 數從傳統逐步推理的 3,206 個降至約 100 個，效率提升約 32 倍。換言之，面對相似問題時，AI 不必每次重新展開完整的推理過程， 而能直接調用已驗證的工具，在維持任務表現的同時提升推理效率、降低運算成本。
讓企業經驗轉化為可累積、可共享的 Agent 能力
這項研究為企業部署 Agentic AI 提供新的技術方向。從財務指標換算、資料處理、報表查詢、規則檢核，到客服流程判斷等日常營運的重複性工作，未來 AI 可望將分散在不同流程中的做法整理成經驗證的共用工具，供不同 Agent 調用，有效降低重複開發與推理成本。
在廣告與行銷場景，專責顧客數據、個人化行銷與客服、廣告投放的多代理，則能共享經驗證的工具與一致的商業規則，提升協作效率。面對新市場、新廣告主或資料有限的導入初期，企業也有望將既有成功經驗轉化為可驗證、可累積及可規模化的 AI 能力，加速 Agent 適應新任務。Appier 將持續以前瞻研究推進 Agentic AI 技術落地，讓 AI 成為企業長期成長的核心能力。
###
關於 Appier
Appier（TSE：4180）是一家 AI 原生的 Agentic AI 即服務（AaaS）公司，透過最先進的廣告科技（AdTech）與行銷科技（MarTech）解決方案，協助企業制定更明確的商業決策。創立於 2012 年，Appier 秉持 Making AI Easy by Making Software Intelligent 的願景，致力透過旗下的廣告雲（Ad Cloud）、個人化雲（Personalization Cloud) 及數據雲（Data Cloud）解決方案，幫助企業將 AI 轉化為可衡量的投資報酬。Appier 目前在亞太、美國與 EMEA 地區設有 17 個據點，並於東京證券交易所 Prime 板上市。欲了解更多資訊請參閱 www.appier.com。欲了解更多投資人關係資訊，請造訪 ir.appier.com/en。
