Google, modellere araç kullanmayı öğreten veriyi tersten üretiyor
ToolGrad önce aracı gerçekten çalıştırıp doğru zinciri kuruyor, soruyu sonra yazıyor. Üretimde başarı oranı yüzde 63,8'den yüzde 99,8'e çıkmış. Apache 2.0.
Google araştırma ekibi, dil modellerine araç kullanmayı öğretmek için gereken eğitim verisini üreten ToolGrad adlı bir çerçeve yayımladı. Çalışma Google'ın yanı sıra Tokyo Üniversitesi, RIKEN AIP ve Tohoku Üniversitesi araştırmacılarıyla birlikte yapıldı.
Araç kullanımı, modelin kendi başına cevap uydurmak yerine dışarıdaki bir servisi çağırması demek: hava durumu sorgulamak, veritabanına bakmak, hesap yapmak. Bugünkü ajanların işini yapabilmesi buna bağlı.
Neden zor bir iş
Modeli bu konuda eğitmek için elinizde iki şeyin eşleşmiş hali olmalı: kullanıcının sorusu ve o soruyu çözen doğru araç zinciri. Bu çiftleri ölçekli üretmek hem yavaş hem pahalı.
Alışılmış yöntem, örneğin ToolBench, işe sorudan başlıyor: modele bir kullanıcı sorusu uydurtuyor, sonra o soruyu çözecek araç dizisini arıyor. Arama çoğu zaman sonuçsuz kalıyor ve harcanan hesap gücü çöpe gidiyor.
ToolGrad sırayı ters çeviriyor
ToolGrad önce araçları gerçekten çalıştırıp işleyen bir zincir kuruyor. Elinde çalıştığı kanıtlanmış bir zincir olduktan sonra, o zincire uyan kullanıcı sorusunu yazıyor.
Fark ölçülmüş: aynı API veritabanında eski yöntemin üretim başarısı yüzde 63,8 iken ToolGrad yüzde 99,8'e çıkıyor. Yani üretilen her yüz örnekten neredeyse hepsi kullanılabilir oluyor.
Ekip ayrıca ToolGrad-500 adında 500 örneklik bir veri kümesi yayımladı; Gemini 2.5 Flash-Lite ile üretilmiş.
Neden önemli
Kod Apache 2.0 lisansıyla GitHub'da, modeller Hugging Face'te, ayrıca PyPI paketi var. Yani yöntem yalnız anlatılmıyor, kullanılabilir halde veriliyor.
Ajan yazan herkesin karşılaştığı darboğaz burada: model yeterince iyi olsa bile, araç kullanımını doğru öğretecek veri yoksa ajan sahada yanlış çağrı yapıyor.
Kaynak: MarkTechPost.
