Data Turnstile 开源｜给 0.6B 小模型喂函数调用数据，它能干翻 32B

上周 arXiv 上挂出来一篇论文，标题叫 Data Turnstile，看名字像个数据流水线工具。摘要里有两个数字：0.6B 的小模型在函数调用 benchmark 上追平了 4B 模型，1.7B 的模型在特定 domain 上超过了 32B 的对手。方法是用高质量合成训练数据做微调。

做 Agent 部署的人会留意到一个小模型困境。部署起来好处明显——低延迟、低成本、能跑在本地设备上，数据不用出设备——但工具调用能力跟不上。给 GPT-4o 一个 function calling schema 它能接住，换成 3B 以下的模型，经常连参数格式都填不对。问题卡在训练数据上。函数调用这类任务的高质量标注数据太难拿了，人工写对话又贵又慢，大模型生成的数据噪音大，小模型没有富余 capacity 去消化那些脏数据。

Data Turnstile 解决的是这个环节。它是一个开源的合成数据生成框架。把 API 的 spec 丢进去，它会自动生成多轮对话的训练样本，中间带校验和错误反馈循环，确保数据能用。论文里给出的数据集覆盖了 1000+ API 和 10 万+ 多轮交互——这个体量靠人工标注基本不可能。

在 BFCL 单轮函数调用 benchmark 上，用 Turnstile 数据微调过的 Qwen3-0.6B（不打开 thinking 模式）达到了 75.9% 整体准确率，比同型号开了 thinking 的 base 模型高出 8.5 个百分点，追平了打开 thinking 的 Qwen3-1.7B（78.4%）和 Qwen3-4B（79.9%）。0.6B 追 4B，差了 7 倍参数量，分数在同一档。

在多轮 Agent benchmark τ²-bench 的 Telecom 域上，Turnstile 训练过的 Qwen3-1.7B 拿到了 31.1% pass@1，比 base 模型的 6.6% 提升了 4.7 倍，并超过了 Qwen2.5-32B-Instruct 的 27.4%——32B 模型比它大 19 倍。0.6B 版本也达到了 24.6%，是 base 的 7 倍，逼近那个 32B 模型（53 倍参数量差）。

小模型在 tool use 上的表现主要受限于训练数据质量。数据质量到位之后，参数量鸿沟可以被大幅压缩。

Turnstile 把多轮工具调用拆成受控的 stepwise 生成，每一轮有校验，错了返回修正信号，确保最终产出的数据格式正确、逻辑完整、API 调用链合理。这个校验加纠错的循环是它跟简单蒸馏的主要区别。

现在 Turnstile 已经开源，数据集也一并放出。CC BY-NC-SA 4.0 协议，商用场景需要确认一下边界。论文里给的工作流是先定义自己的 API spec，框架生成适配数据，再用这些数据微调选好的小模型——整套链条是闭环的。

做 Agent 落地的人会在意这个方向。大模型做 tool use 已经没有悬念，但能塞进生产流程、跑在边缘设备、响应时间压到百毫秒级别的，大概率不会是 70B 以上的大家伙。小模型的函数调用能力如果能拉到及格线以上，整个 Agent 产品的架构选型都会不一样。

论文里的 benchmark 集中在几个特定 domain，数据覆盖面是否足够泛化到任意 API schema 还需要社区验证。但这个方向的核心是先把数据质量这个瓶颈解决掉。Data Turnstile 是冲这件事来的，结果摆在那里。