¿Qué es ToolGrad?

ToolGrad es un método de Google Research para crear los ejemplos de práctica que enseñan a un modelo de IA a llamar herramientas. El tool calling es el modelo escribiendo una petición a una herramienta externa, como un buscador o un mapa, que luego ejecuta la app (el harness, el software que rodea al modelo). ToolGrad construye primero una cadena de llamadas que funciona y escribe la pregunta del usuario después, para que encaje con la cadena. Toma una cadena de dos llamadas: find_pharmacy con abierto ahora como único campo, y luego get_directions. Solo entonces se escribe la pregunta: ¿qué farmacia cerca de mí está abierta ahora y cómo llego a pie? El método anterior escribía primero la pregunta y luego buscaba llamadas que la respondieran. Google contó un 63,8 % de sus ejemplos como utilizables, frente al 99,8 % de los de ToolGrad. Cada pregunta que escribe ToolGrad ya tiene una cadena de llamadas que la responde, porque la cadena se construyó antes.

ToolGrad es un método de Google Research para crear los ejemplos de práctica que enseñan a un modelo de IA a llamar herramientas, y construye cada ejemplo al revés: primero la cadena de llamadas a herramientas, después la pregunta del usuario. El tool calling es el modelo escribiendo una petición a una herramienta externa, como un buscador o un calendario, que la app (el harness, el software que rodea al modelo) ejecuta antes de devolverle el resultado. Un modelo aprende a hacerlo con ejemplos de práctica durante el entrenamiento. ToolGrad funciona antes del entrenamiento, para crear esos ejemplos. Cuando usas la app (la inferencia), solo funciona el modelo ya entrenado. Cada ejemplo es una pregunta, las llamadas correctas en orden y la respuesta final. Escribir miles a mano es demasiado lento, así que los laboratorios hacen que una IA los genere, que es lo que significa datos sintéticos. El método anterior empezaba por la pregunta. Después un agente de IA buscaba por ensayo y error llamadas que la respondieran, y cuando ninguna cadena funcionaba, el ejemplo se descartaba. La cuenta de Google: el 63,8 % salió utilizable, así que se perdieron 36,2 de cada 100. ToolGrad empieza por la cadena. Propone unas pocas herramientas que podrían servir, las prueba y hace que un juez de IA escriba una nota corta sobre qué llamada funcionó mejor. Esa nota es el gradiente textual. Un gradiente es la señal que, en el entrenamiento, dice hacia dónde ajustar, y esta hace el mismo trabajo con palabras. La mejor llamada se suma a la cadena y el ciclo vuelve a empezar. Cuando la cadena está completa, la IA escribe la pregunta y la respuesta que encajan con ella. De esos ejemplos, el 99,8 % salió utilizable, y las cadenas eran más largas, 3,4 llamadas frente a 2,1. Google creó 500 ejemplos así y entrenó con ellos su modelo abierto Gemma 3 12B (uno que cualquiera puede descargar). En BFCL, una prueba de tool calling, el modelo sacó 83,1, que son 6,3 puntos más que antes de ese entrenamiento y lo mismo que el 83,2 de Gemini 2.5 Pro en ese momento. Dos límites. La comparación con esos modelos se apoya en una sola prueba y 500 ejemplos. Y una pregunta escrita para encajar con una respuesta puede no sonar a algo que preguntaría una persona.

ToolGrad es un método para crear los ejemplos de práctica que enseñan a un modelo de IA a llamar herramientas, y construye primero la cadena de llamadas y escribe la pregunta después. Hacer un crucigrama funciona igual. El autor rellena primero la cuadrícula con palabras y escribe las definiciones al final. Cada definición tiene respuesta, porque la respuesta ya estaba en la cuadrícula antes de que existiera la definición. Un autor que escribiera primero 30 definiciones y luego intentara meter respuestas en la cuadrícula se quedaría con definiciones que ninguna palabra de la longitud correcta puede cumplir. La cuadrícula rellena es la cadena de llamadas construida primero, y las definiciones son las preguntas escritas después. El autor con definiciones imposibles es el método anterior, que escribía primero la pregunta y descartaba los ejemplos que no podía responder. Hasta aquí llega la comparación: un autor rellena la cuadrícula de una sentada, mientras que ToolGrad construye su cadena llamada a llamada, probando herramientas y quedándose con la que funcionó.