训练数据不够，用合成管线来凑

论文（arXiv:2608.20314）提出 MidTool，一套为 Agent 工具使用能力生成「中期训练数据」的合成管线。所谓中期训练，介于预训练与后训练之间，目标是让模型先学会稳定的工具调用习惯，再进入指令微调等阶段。

作者开源了配套数据集 MidTool-Mix，并在 BFCL、tau2-Bench 与 MCP Universe 等多个工具调用基准上报告了提升。MCP Universe 是围绕 MCP（Model Context Protocol）的评测集，说明这套数据对当前主流的 MCP 生态也有针对性。

值得关注的点

  • 合成数据管线可复现：训练数据按需生成，不依赖人工标注
  • 覆盖 MCP 生态：与当前 Agent 工具接入的主流协议对齐
  • 开源配套：MidTool-Mix 数据集与相关代码可下载复现

工具调用是 Agent 落地最依赖的能力之一，而高质量训练数据一直稀缺。MidTool 这类「数据即管线」的做法，把数据生产变成可迭代的工程环节，比一次性标注更可持续。

决定 Agent 工具能力的，往往不是模型架构，而是喂给它的那批工具调用数据。