A Google új módszere hatékonyabban tanítja az MI-t eszközhasználatra

Előbb a megoldás, utána a kérés

A nagy nyelvi modelleknek meg kell tanulniuk, hogyan használják helyesen és hatékonyan a külső eszközöket. Ilyen lehet például a Google Search használata, helyi számítógépes fájlok beolvasása vagy egy létrehozott Python-szkript futtatása. Ehhez olyan adatkészletekre van szükség, amelyek eszközhasználati láncokat és az azokhoz tartozó felhasználói kéréseket tartalmaznak.

A korábbi, lekérdezésközpontú módszerek először egy elképzelt felhasználói utasítást generáltak, majd egy ügynök próbálta megkeresni az ehhez tartozó eszközhasználati útvonalat. A Google Research szerint ez a megközelítés költséges és hatástalan lehet, mivel a rendszer próbálkozásokkal és hibákkal keresi ki a használható megoldást.

A 2026. szeptember 10-én bemutatott ToolGrad ezzel szemben előbb generálja a helyes eszközhasználati láncot, majd ehhez írja meg a felhasználói kérést. A kutatók szerint egy kész, egyértelmű megoldásból könnyebb olyan lekérdezést készíteni, amely pontosan illeszkedik az alkalmazott eszközökhöz.

Négy modul építi fel az API-munkafolyamatot

A ToolGrad négy, egymás után működő modult használ. Az API Proposer egy kiválasztott API-készletből néhány ígéretes jelöltet választ ki a munkafolyamat következő lépéséhez. Az API Executors ezeket párhuzamosan lefuttatja, és részletes végrehajtási jelentéseket készít.

Az API Selector áttekinti a jelentéseket, majd kiválasztja a legjobban teljesítő API-hívást. Ez a kiválasztás szöveges visszajelzésként, úgynevezett szöveges gradiensenként irányítja a következő lépést, és hozzáadja a hívást a munkafolyamathoz. Végül az LLM Updater módosítja a szintetikus felhasználói kérést és az MI válaszát, hogy azok megfeleljenek az új API-készletnek.

A folyamat ismétlésével egy olyan adatminta jön létre, amely felhasználói kérést, ellenőrzött API-munkafolyamatot és végső MI-választ tartalmaz. A módszer a TextGrad nevű megközelítésből veszi át a szöveges visszajelzés ötletét, amelyben egy nyelvi modell kritikája segíti a szöveges utasítások javítását.

A Gemma-modellek teljesítménye is javult

A kutatók a ToolBench több mint 16 ezer valós API-t tartalmazó adatbázisát használták. A ToolGradot a korábbi, mélységi keresést alkalmazó módszerrel hasonlították össze. A Google Research beszámolója szerint az új megközelítés összetettebb, hosszabb eszközhasználati adatokat tud létrehozni alacsonyabb generálási költség mellett, miközben magasabb az elfogadási arány.

A kutatók ToolGrad-500 néven kisebb adatkészleteket is létrehoztak, majd ezekkel Gemma-3 modelleket finomhangoltak. Az 1B, 4B és 12B paraméteres változatokból létrehozott ToolGrad-modelleket a Berkeley Function Calling Leaderboard tesztjén értékelték, amely a ToolBenchétől eltérő eszközkészletet használ.

A ToolGrad-12B 83,1-es pontszámot ért el. Ez közel volt a gemini-2.5-pro 83,2-es és a claude-4.5 Opus 82,8-es eredményéhez, miközben meghaladta a GPT-5 74,4-es pontszámát. A Google közlése szerint a finomhangolt modellek minden vizsgált méretben javultak az alapmodellekhez képest. A ToolGrad-500 adatait a gemini-2.5-flash-lite generálta, a Gemma-3-12B pedig a tesztben még ezt a tanármodellként használt rendszert is felülmúlta.

A kutatás az ügynöki rendszerek skálázását célozza

A Google Research szerint a ToolGrad adatgenerálásban közel 100 százalékos átmenési arányt ér el. A kutatók egy ábrán 99,8 százalékos pass rate-et is feltüntetnek a ToolBenchhez képest, kevesebb művelettel. A megközelítés így a drága és nehezen skálázható, próbálkozáson alapuló adat-előállítás helyett sikeres API-láncokra épít.

A kutatás következő iránya a rendszer kiterjesztése nagyobb és dinamikusabb API-környezetekre. A Google emellett azt is vizsgálná, hogyan használható a módszer folyamatos, menet közbeni tanulásra és személyre szabásra. A közlemény szerint ez alapot adhat olyan digitális ügynökök képzéséhez, amelyek összetett feladatokat képesek ellátni, és gazdaságosabban telepíthetők vállalati, illetve mindennapi használatra.