Bài báo này trình bày một thách thức mới: "giải mã công cụ", loại bỏ việc học về các công cụ cụ thể khỏi các LLM dựa trên công cụ. Không giống như giải mã thông thường, phương pháp này đòi hỏi phải loại bỏ chính kiến thức, chứ không phải các mẫu riêng lẻ. Phương pháp này đặt ra những thách thức, bao gồm chi phí tối ưu hóa LLM cao và nhu cầu về một thước đo đánh giá có nguyên tắc. Để giải quyết những thách thức này, chúng tôi đề xuất ToolDelete, phương pháp đầu tiên để giải mã công cụ hiệu quả trong các LLM dựa trên công cụ. ToolDelete triển khai ba thuộc tính chính để giải mã công cụ hiệu quả và giới thiệu một mô hình Tấn công Suy luận Thành viên (MIA) mới để đánh giá hiệu quả. Các thử nghiệm mở rộng trên nhiều tập dữ liệu huấn luyện công cụ và các LLM dựa trên công cụ khác nhau chứng minh rằng ToolDelete giải mã hiệu quả các công cụ được chọn ngẫu nhiên, đồng thời bảo toàn kiến thức của LLM về các công cụ còn lại và hiệu suất của nó trong các tác vụ chung.
