谷歌发布ToolGrad：答案优先框架工具调用数据生成通过率达99.8%

答案优先：重构工具调用数据生成范式

训练大语言模型可靠调用外部工具，核心依赖高质量配对数据——即用户查询与对应正确工具调用链的精准匹配。但传统方法长期受限于低效与高成本。谷歌研究院联合东京大学、理化学研究所（RIKEN AIP）与东北大学提出全新框架ToolGrad，其核心创新在于彻底逆转生成流程：先构建经实际API执行验证的工具链，再据此生成自然语言查询，而非沿袭‘先有查询、再搜路径’的老路。

四模块闭环：高效生成可验证样本

ToolGrad通过四个模块构成的迭代循环，自动化构建高质量样本：

• API提议器（API Proposer）：从采样API池中筛选出可扩展当前工作流的若干候选接口；
• API执行器（API Executors）：并行调用这些候选API，生成详尽执行报告；
• API选择器（API Selector）：基于报告评估效果，择优选取一个成功调用，追加至工作流；其文本化反馈即为‘方向梯度’；
• LLM更新器（LLM Updater）：依据新增API步骤，一次性重写用户查询与AI响应，确保语义一致。

默认配置下，每条工具链经10轮迭代、覆盖50个采样API，最终产出一个完整样本：含自然语言查询、经执行验证的工具调用链及最终响应。

性能跃升：从低通过率到接近完美

研究团队在包含1.6万+真实API的ToolBench数据库上对比ToolGrad与传统DFS（深度优先搜索）驱动的ToolBench/ToolACE方法。结果显示：

• 数据生成通过率从63.8%飙升至99.8%；
• 每样本平均真实工具调用数从2.1步增至3.4步，表明生成链更长、任务更复杂；
• 每样本工具探索步骤从34.3步降至20.0步，显著减少冗余计算；
• LLM调用次数微降（64.5→63.9），0.2%失败案例源于10轮内所有候选API均无有效响应，最终保存为空样本。

小样本大效果：Gemma-3在BFCL榜单逼近顶尖闭源模型

团队使用Gemini 2.5 Flash-Lite构建了500样本的ToolGrad-500数据集，并以此对Gemma-3系列（1B/4B/12B）进行后训练。评测采用伯克利函数调用榜单（BFCL），其工具集与ToolBench完全不重合，属严格‘零样本迁移’测试。结果表明：

• 所有参数规模模型经ToolGrad-500微调后，工具调用得分均显著提升；
• Gemma-3-12B达83.1分，紧随Gemini 2.5 Pro（83.2）、Claude 4.5 Opus（82.8），大幅领先GPT-5（74.4）；
• 值得注意的是，该12B学生模型反超其教师模型Gemini 2.5 Flash-Lite，亦领先ToolACE、Hammer-2.1-7B等开源工具调用专家模型。

全部实验基于vLLM Docker镜像，在单块NVIDIA A100 40GB GPU上完成验证。

开源即用：全栈开放支持快速复现

ToolGrad代码遵循Apache-2.0协议开源，ToolGrad-500数据集及Gemma-3-1B/4B/12B微调模型均已发布至Hugging Face；配套PyPI包支持便捷集成。官方复现脚本兼容BFCL V1/V2，经定制化分支优化，降低部署门槛。