Gorilla项目测试数据集中的参数规范性问题分析与修复

在开源项目Gorilla的测试数据集评估过程中，我们发现了一些参数规范性问题，这些问题可能导致模型在API调用评估时出现误判。本文将从技术角度分析这些问题产生的原因、影响范围以及修复方案。

问题背景

Gorilla项目使用AST（抽象语法树）评估方法来验证模型生成的API调用是否正确。评估过程会将模型输出与测试数据集中的"potential_answer"字段进行比对。然而，在早期的测试数据集中存在以下两类问题：

1. 参数必要性定义冲突：API规范中标记为可选的参数，在potential_answer中却被视为必填项
2. 参数值格式不一致：potential_answer中列出的合法参数值与实际API调用格式存在差异

典型问题案例分析

案例1：自由落体速度计算函数

在计算自由落体速度的API中，API规范明确将initial_velocity参数标记为可选（仅height为必填），但potential_answer却要求必须提供initial_velocity参数值。这种不一致性会导致：

• 遵循API规范生成的调用（不包含initial_velocity）会被错误判定为失败
• 评估结果出现错误判断（False Negative）

案例2：电影放映时间查询

在电影院查询API中，potential_answer列出的合法时间格式为"5 pm"，而实际API调用使用的是"5pm"（无空格）。这种细微差异会导致：

• 完全合法的API调用被错误标记为参数值不正确
• 影响评估结果的准确性

问题影响范围

通过对测试数据集的全面检查，我们发现这些问题分布在多个评估类别中：

• 简单函数调用类别：约5.75%的测试用例受影响
• 并行函数调用类别：约8.5%的测试用例受影响
• 多重函数调用类别：约5.5%的测试用例受影响

解决方案与改进措施

项目维护团队已经采取以下措施解决这些问题：

1. 移除过时的human_eval_answer字段：避免与potential_answer产生混淆
2. 统一参数必要性定义：确保potential_answer与API规范完全一致
3. 标准化参数值格式：消除空格等格式差异带来的评估误差
4. 增加数据验证流程：在测试数据集更新时自动检查参数规范一致性

技术启示

这一案例给我们带来以下技术启示：

1. 测试数据质量至关重要：即使是细微的参数定义差异也会显著影响评估结果
2. 规范一致性检查应自动化：建议在CI/CD流程中加入API规范与测试用例的自动验证
3. 评估指标需要明确文档：清楚说明评估过程中各字段的作用和优先级

通过这些问题修复，Gorilla项目的测试数据集现在能够更准确地评估模型在API调用方面的能力，为后续的模型优化提供了可靠的基础。