En el mundo de los modelos de lenguaje (LLMs), la capacidad de utilizar herramientas de manera confiable es crucial. Sin embargo, generar datos que vinculen consultas de usuarios con cadenas de uso de herramientas ha sido un proceso lento y costoso. Google Research, en colaboración con la Universidad de Tokio, RIKEN AIP y la Universidad de Tohoku, ha presentado ToolGrad, un marco de trabajo que revoluciona este proceso.
El problema del enfoque tradicional
Hasta ahora, sistemas como ToolBench y ToolACE seguían un enfoque “primero la consulta”: generaban una instrucción plausible y luego intentaban encontrar una cadena de herramientas que la cumpliera. Este método, basado en búsquedas de profundidad, no garantizaba éxito y desperdiciaba recursos cuando fallaba. ToolGrad cambia el juego: primero construye una cadena de herramientas verificada y luego genera la consulta que la justifica.
¿Cómo funciona ToolGrad?
ToolGrad opera en un ciclo de cuatro módulos: API Proposer, que selecciona candidatos para extender el flujo de trabajo; API Executors, que ejecuta esos candidatos en paralelo; API Selector, que elige la mejor llamada; y LLM Updater, que ajusta la consulta y la respuesta para que coincidan con el nuevo conjunto de APIs. Este proceso garantiza una eficiencia sin precedentes, con una tasa de éxito del 99,8%.
Además, ToolGrad ya está disponible para su implementación, con código bajo licencia Apache-2.0, modelos en Hugging Face y un paquete en PyPI. Esto abre nuevas posibilidades para desarrolladores y empresas que buscan optimizar sus LLMs.