ToolBench / Berkeley Function Calling

核心任务：给定大量候选工具（可能数十到上百个）及其 Schema，模型需判断「调哪个、传什么参数」，并输出可被程序解析的合法调用。覆盖：单工具调用、多工具并行、多轮对话调用、以及「不该调用时拒绝调用」等情形。

工具型 Agent 的可靠性完全取决于底座的函数调用能力：选型错就做错事，参数非法就执行失败。ToolBench/BFCL 把这一能力量化，成为 Agent 框架选型底座时的重要参考——一个 BFCL 弱的模型，配再好的框架也难救。

BFCL 持续扩充评测维度（如新增中文、新增复杂并行），并随模型进步调整难度，是观察行业「工具调用能力水位」的权威窗口。

工具调用评测将从「单轮选型」走向「长程工具规划」评测，并与真实 API 执行结果挂钩（不仅看调用格式，更看是否真正完成任务），进一步贴近生产。