BFCL (関数呼び出し評価)
読み: びーえふしーえる
最終更新: 2026-07-06・AI PICKS編集部
定義
BFCLとは、LLM（大規模言語モデル）が外部ツールやAPIを状況に応じ正確に呼び出せるかを測る関数呼び出し評価ベンチマークのこと。
BFCL (関数呼び出し評価)とは — 詳しく解説
BFCLは、UC Berkeleyが公開する、LLMが外部の関数やAPIを状況に応じて正しく呼び出せるかを測る業界標準の評価ベンチマークの一つとされる。単一の関数呼び出しに加え、複数関数を並列に呼び出す能力や、マルチターンで文脈を保ちながら連続して呼び出す能力、さらに適切な関数が存在しない場合に呼び出しを控える判断力までを評価対象に含む点が特徴とされる。2026年時点の実運用では、リーダーボード上位のモデルであっても、自社が実際に使うツール定義や独自のAPI仕様に当てはめると精度が想定より落ちることがあるとされ、現場ではBFCLのスコアを絶対値ではなく参考値として扱う運用が広く採用されている。またモデルの入れ替えを検討するたびに独自の評価セットで再検証する手間や、評価用のAPI呼び出しにかかるコストも無視できないため、相場感を踏まえてどこまで自動評価に投資するかを見極めることが、現場でのモデル選びの実務上のポイントになるとされる。
BFCL (関数呼び出し評価)の使用例
- 「東京の明日の天気を調べて」という指示に対し、天気APIの関数を正しい引数で呼び出せるかをBFCL形式で評価する。
- 検索・計算・カレンダー登録など複数ツールから適切な1つを選び、パラメータ込みで呼び出せるかを採点する。
BFCL (関数呼び出し評価)に関連するAIツール
関連用語
「評価指標」の他の用語
Massive Multitask Language Understanding。 57 分野・1.5 万問の LLM 知識評価ベンチマーク。
OpenAI 発の Python コーディング能力ベンチマーク。 164 問の関数実装タスク。
ユーザー投票による LLM の人間評価ランキング。 Elo レーティングで モデルを順位付け。
ベンチマークとは、AIモデルの性能を標準化されたテスト課題で数値化し、異なるモデル間を公平に比較するための評価基準セットのこと。MMLUやHumanEval等、用途別に数十種類が存在する。
SWE-benchとはGitHubの実際のIssueをAIが自動修正できるかを測る、コーディングAI評価の業界標準ベンチマークのこと。
GPQAとは、生物・物理・化学の大学院レベルの難問でAIの推論力を測る評価ベンチマークのこと。Googleで検索しても解けない設計が特徴。
AI用語辞典をすべて見てみませんか
12カテゴリ・402語以上を体系的に整理しています
辞典トップへ