Google ha presentato ToolGrad, un nuovo framework progettato per generare in modo più efficiente i dati necessari ad addestrare gli agenti AI nell’utilizzo di API e strumenti esterni. Il sistema modifica il processo normalmente impiegato per creare questi dataset: invece di partire da una richiesta utente artificiale e cercare successivamente una sequenza di strumenti capace di risolverla, costruisce prima una catena di utilizzo già eseguibile e verificata e genera soltanto in un secondo momento la domanda coerente con quel percorso. Secondo i ricercatori, questo approccio riduce drasticamente i tentativi falliti e il costo computazionale associato alla ricerca delle sequenze corrette.
L’utilizzo affidabile degli strumenti è uno dei requisiti fondamentali degli agenti AI. Per completare attività complesse, un modello deve infatti capire la richiesta dell’utente, individuare le API adatte, determinare l’ordine corretto delle chiamate e utilizzare l’output di uno strumento come input per quello successivo. Nei sistemi di generazione dei dati basati sul metodo “question-first”, la procedura inizia invece creando una richiesta sintetica e successivamente esplora le possibili API attraverso strategie di ricerca come la depth-first search. Se non viene trovato un percorso valido, buona parte del calcolo utilizzato durante l’esplorazione viene sprecata.
ToolGrad adotta la logica opposta. Il sistema genera inizialmente una sequenza di chiamate che è già stata verificata come eseguibile e soltanto dopo produce l’istruzione dell’utente e la risposta associate. La disponibilità preventiva del percorso corretto elimina gran parte dell’ambiguità nella ricerca della soluzione e permette di completare la generazione delle istruzioni con una singola chiamata al modello linguistico.
Il framework è composto da quattro componenti principali: un API Proposer, un Executor, un Selector e un modulo di aggiornamento basato su LLM. Il primo individua le API che possono rappresentare una prosecuzione utile del workflow già costruito, mentre l’Executor prova in parallelo le chiamate candidate. Il Selector confronta i risultati e sceglie l’operazione che deve essere aggiunta alla catena. Il modulo LLM utilizza quindi l’intero workflow, procedendo anche a ritroso lungo i passaggi già definiti, per affinare la richiesta utente e la risposta associate alla sequenza di strumenti.
È proprio questo processo di feedback testuale a dare il nome ToolGrad al sistema. Le informazioni ottenute durante la costruzione e la valutazione del workflow funzionano come una sorta di “gradiente testuale”, utilizzato per migliorare progressivamente la qualità delle istruzioni generate senza ricorrere a un vero gradiente numerico come quello impiegato durante l’addestramento delle reti neurali.
Anche il comportamento dei modelli addestrati con questi dati differisce da quello comunemente utilizzato negli agenti basati su ReAct. In quest’ultimo approccio il modello alterna ripetutamente ragionamento e azione, decidendo ogni volta quale strumento utilizzare sulla base del risultato precedente. ToolGrad consente invece di addestrare il modello a prevedere in una sola volta l’intera sequenza di utilizzo degli strumenti. Questo schema one-shot può ridurre il numero di chiamate al modello, la latenza complessiva e il consumo di token durante l’esecuzione.
Nei test condotti utilizzando ToolBench, un database che contiene oltre 16.000 API reali, il tasso di successo nella generazione dei dati è passato dal 63,8% ottenuto con il metodo precedente al 99,8% con ToolGrad. Anche la complessità delle sequenze prodotte è aumentata: il numero medio di passaggi di utilizzo degli strumenti è salito da 2,1 a 3,4, indicando la capacità del sistema di costruire esempi che richiedono catene operative più lunghe.
I ricercatori hanno successivamente selezionato soltanto 500 esempi di elevata qualità prodotti attraverso il framework, creando il dataset ToolGrad-500. Il dataset è stato utilizzato per il fine-tuning delle versioni da 1, 4 e 12 miliardi di parametri di Gemma 3. L’esperimento è stato progettato proprio per verificare se un insieme molto ridotto di esempi accuratamente costruiti potesse sostituire almeno in parte i dataset composti da decine di migliaia di interazioni sintetiche.
Il modello Gemma 3 da 12 miliardi di parametri addestrato con ToolGrad-500 ha raggiunto 83,1 punti nel Berkeley Function Calling Leaderboard. Il risultato è molto vicino agli 83,2 punti ottenuti da Gemini 2.5 Pro e superiore agli 82,8 attribuiti a Claude Opus 4.5 nello stesso benchmark. Il modello ha inoltre superato Gemini 2.5 Flash-Lite, utilizzato come teacher per generare i dati di addestramento.
I test hanno mostrato anche capacità di generalizzazione verso strumenti che non erano presenti nei dati utilizzati per il fine-tuning. Questo aspetto è particolarmente importante per gli agenti AI, perché nelle applicazioni reali il numero e il tipo di API disponibili possono cambiare continuamente e un sistema utile non può dipendere esclusivamente dalla memorizzazione delle sequenze osservate durante l’addestramento.
ToolGrad punta quindi a intervenire su tre problemi collegati alla preparazione dei dati per il tool use: costo, scalabilità e frequenza dei fallimenti durante la generazione. I risultati mostrano che aumentare semplicemente il volume dei dati non è necessariamente l’unico modo per migliorare le capacità di un agente. Una procedura capace di produrre pochi esempi ma con catene di strumenti già verificate può consentire anche a modelli relativamente piccoli di raggiungere prestazioni vicine a quelle di sistemi molto più grandi.
Google ha reso disponibili pubblicamente il codice di ToolGrad, il dataset utilizzato negli esperimenti e i modelli addestrati, consentendo quindi ad altri ricercatori di riprodurre i test e utilizzare il framework per costruire nuovi dataset destinati all’addestramento degli agenti.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)