Google Research опубликовала ToolGrad: система сначала верифицирует цепочку API, а потом генерирует под неё запрос. На ToolBench фреймворк проходит 99.8% против 63.8% у DFS-поиска. Как это устроено. Вместо привычного «запрос — цепочка» фреймворк работает наоборот: строит верифицированную цепочку API и только затем подбирает к ней пользовательский запрос. Четырёхшаговый цикл propose-execute-select-update позволяет итеративно уточнять и отбрасывать нерабочие варианты. Цифры. Gemma-3-12B на 500 сэмплах от ToolGrad набирает 83.1 балла на BFCL. Для сравнения — Gemini 2.5 Pro (значительно более крупная модель) получает 83.2. Разница в 0.1 балла при десятках сэмплов против миллиардов параметров. Результат представлен в ACL 2026 Findings — это менее строгий формат рецензирования, чем основная программа конференции. Что это значит: синтетические данные от ToolGrad реально работают для дообучения компактных моделей — можно получать качественных агентов без гигантских датасетов.