Google Research、ツール利用データを逆順に生成する「ToolGrad」を発表

何が発表されたのか

Google Researchは2026年9月10日、LLM(大規模言語モデル)にツール利用を教えるためのデータセットを効率的に生成するフレームワーク「ToolGrad」を発表しました。論文はACL 2026で発表されたもので、著者はZhongyi Zhou氏とRuofei Du氏です。AIエージェントが検索やファイル操作、Pythonスクリプトの実行といった実世界のタスクを自動化するには、LLMがツールを正しく使うことを学習する必要があります。

ToolGradの最大の特徴は、従来とは逆の順序を採用している点です。ユーザーの質問を先に作り、それに対するツール利用の解答を探索するのではなく、まず正解となるツール利用の連鎖(ツール呼び出しの並び)を生成し、その後にそれに対応するユーザーの質問文を生成します。研究チームは、明示的なツール利用の解答のほうが質問文より曖昧さが少なく、注釈付けが1回のLLMステップで済むと説明しています。

テキスト勾配による反復生成

ToolGradは、プロンプト最適化手法「TextGrad」で使われる「テキスト勾配」という考え方を、合成データセットの生成に応用しています。機械学習では通常、数値の損失勾配を使ってモデルの重みを更新しますが、TextGradはその代わりにLLMの批評役が自然言語で改善フィードバックを与えます。このフィードバックを「テキスト勾配」と呼び、ToolGradはこれを静的なプロンプトの改善ではなく、大規模なツールライブラリからの妥当なAPIワークフローの構築に使います。

フレームワークは4つのモジュールで構成されます。API Proposerは候補のAPIを絞り込み、API Executorsは選ばれたAPIを並列で試して実行レポートを作ります。API Selectorはそのレポートを確認して最も良いAPI呼び出しを1つ選び、これをテキスト勾配としてワークフローに追加します。最後にLLM Updaterが新しいAPI群に合わせてユーザークエリとAI応答を書き直します。この反復により、ユーザークエリ・検証済みAPIワークフロー・最終AI応答からなるデータサンプルが生成されます。

BFCLでの評価結果

研究チームはToolBenchの16k+の実世界APIをデータベースとして使い、小規模データセット「ToolGrad-500」を生成しました。これをGemma-3(1B・4B・12B)のファインチューニングに用い、それぞれToolGrad-1B、ToolGrad-4B、ToolGrad-12Bと呼んでいます。評価には、ToolBenchとは異なるツールセットを持つベンチマーク「Berkeley Function Calling Leaderboard(BFCL)」が使われました。

ToolGrad-12BはBFCLで83.1を記録し、gemini-2.5-proの83.2、claude-4.5 Opusの82.8、gpt-5の74.4と競合する結果となりました。また、ToolGrad-500はgemini-2.5-flash-liteで生成されていますが、そのデータで学習したGemma-3-12Bが元の「教師モデル」を上回るという自己進化(セルフ・エボルビング)的な挙動も確認されています。

位置づけと今後の課題

従来のquery-first手法は、仮のユーザー指示を生成したうえで深さ優先探索(DFS)エージェントに解答を探させる2段階の手順を取るため、複雑なエージェント探索から価値ある軌跡を抽出するという設計上、非効率になりがちでした。ToolGradはanswer-firstにすることで、より複雑な長手順のツール利用データを低コストかつ高い成功率で生成できるとしています。オープンソースのツール利用特化モデルであるToolACEやHammer-2.1-7Bと比べても優位だと報告されています。

一方、原文にはデータセットや学習済みモデルの公開方針についての記載はありません。また、実験はToolBenchとBFCLという特定のベンチマークに基づくもので、企業独自のAPI群や日本語環境での有効性は示されていません。今後の方向性として、より動的で大規模なAPIエコシステムへの拡張や、パーソナライズのための継続的なオンザフライ学習の探索が挙げられています。