谷歌发布 ToolGrad：利用文本“梯度”高效生成大模型工具调用数据集

谷歌研究团队在 ACL 2026 提出工具调用数据生成框架 ToolGrad，通过颠倒生成顺序的“文本梯度”范式大幅降低智能体训练数据的合成成本。

• 传统方法（如 ToolBench、ToolACE）通常先生成用户需求指令，再使用深度优先搜索等算法探索工具调用路径，数据合成开销较大。
• ToolGrad 采用反向范式，首先自动生成明确的真实工具调用执行链，再由大语言模型单步反向标注生成对应的自然语言用户 Prompt。
• 实验表明，该方法不仅能以较低计算成本生成更复杂的长依赖调用数据，且微调出的模型在未见工具的分布外（OOD）测试中性能表现优异。
• 影响/看点：该框架为高性价比构建复杂智能体训练数据提供了全新技术路径，其实际应用边界取决于反向生成的自然语言指令在多样性与真实人类表达意图上的契合度。
• 资料依据:
• Google Research Blog（2026-09-10）：https://research.google/blog/toolgrad-efficient-tool-use-dataset-generation-with-textual-gradients/

本内容由 AI 生成，仅供参考，请注意甄别