ChatGPT自己会选模型了!微软亚研院+浙大爆火新论文,HuggingGPT项目已开源

添加书签

专注AIGC领域的专业社区,关注GPT-4、百度文心一言、华为盘古等大语言模型(LLM)的发展和应用落地,以及国内LLM的发展和市场研究,欢迎关注!

来源 | 新智元
    编辑 | 桃子 Britta
【新智元导读】「贾维斯」已来!微软亚研院和浙大推出了一个大模型协作系统HuggingGPT,让ChatGPT协调HF社区模型,处理各种多模态任务能力超强。


近日,微软亚洲研究院和浙江大学的研究团队,发布了一个大模型协作系统HuggingGPT。

论文地址:https://arxiv.org/pdf/2303.17580.pdf

HuggingGPT利用ChatGPT作为控制器,连接HuggingFace社区中的各种AI模型,来完成多模态复杂任务。

这意味着,你将拥有一种超魔法,通过HuggingGPT,便可拥有多模态能力,文生图、文生视频、语音全能拿捏了。

HuggingGPT搭桥


研究者指出解决大型语言模型(LLMs)当前的问题,可能是迈向AGI的第一步,也是关键的一步。

因为当前大型语言模型的技术仍然存在着一些缺陷,因此在构建 AGI 系统的道路上面临着一些紧迫的挑战。

– 受限于文本生成的输入和输出形式,当前LLMs缺乏处理复杂信息(如视觉和语音)的能力;

– 在实际应用场景中,一些复杂任务通常由多个子任务组成,因此需要多个模型的调度和协作,这也超出了语言模型的能力范围;

– 对于一些具有挑战性的任务,LLMs在零样本或少样本设置下表现出优异的结果,但它们仍然比一些专家弱(如微调模型)。

为了处理复杂的人工智能任务,LLMs应该能够与外部模型协调,以利用它们的能力。因此,关键点在于如何选择合适的中间件来桥接LLMs和AI模型。
研究者发现,每个AI模型都可以通过总结其模型功能表示为一种语言形式。
由此,便引入了一个概念,「语言是LLMs,即ChatGPT,连接人工智能模型的通用接口」。
通过将AI模型描述纳入提示中,ChatGPT可以被视为管理人工智能模型的大脑。因此,这一方法可以让ChatGPT能够调用外部模型,来解决实际任务。
简单来讲,HuggingGPT是一个协作系统,并非是大模型。
它的作用就是连接ChatGPT和HuggingFace,进而处理不同模态的输入,并解决众多复杂的人工智能任务。
所以,HuggingFace社区中的每个AI模型,在HuggingGPT库中都有相应的模型描述,并将其融合到提示中以建立与ChatGPT的连接。
随后,HuggingGPT将ChatGPT作为大脑来确定问题的答案。
到目前为止,HuggingGPT已经围绕ChatGPT在HuggingFace上集成了数百个模型,涵盖了文本分类、目标检测、语义分割、图像生成、问答、文本到语音、文本到视频等24个任务。
实验结果证明,HuggingGPT拥有处理多模态信息和复杂人工智能任务的能力。
四步工作流程
HuggingGPT整个工作流程可以分为如下四个阶段:
– 任务规划:ChatGPT解析用户请求,将其分解为多个任务,并根据其知识规划任务顺序和依赖关系
– 模型选择:LLM根据HuggingFace中的模型描述将解析后的任务分配给专家模型
– 任务执行:专家模型在推理端点上执行分配的任务,并将执行信息和推理结果记录到LLM中
– 响应生成:LLM总结执行过程日志和推理结果,并将摘要返回给用户

多模态能力,有了


实验设置
实验中,研究者采用了gpt-3.5-turbo和text-davinci-003这两种GPT模型的变体作为大型语言模型(LLMs),这些模型可以通过OpenAI API公开访问。
为了使LLM的输出更加稳定,我们将解码温度设置为0。
同时,为了调整LLM的输出以使其符合预期格式,我们在格式约束上设置了logit_bias为0.1。
研究人员在如下表格中提供了为任务规划、模型选择和反应生成阶段而设计的详细提示,其中{{variable}}表示在提示被输入LLM之前,需要用相应的文本填充域值。
研究人员在广泛的多模态任务上测试了HuggingGPT。
在ChatGP和专家模型的配合下,HuggingGPT可以解决语言、图像、音频和视频等多种模式的任务,包含了检测、生成、分类和问题回答等多种形式的任务。
虽然这些任务看起来很简单,但掌握HuggingGPT的基本能力是解决复杂任务的前提条件。
比如,视觉问答任务:
文本生成:
文生图:
HuggingGPT可以整合多个输入的内容来进行简单的推理。可以发现,即使有多个任务资源,HuggingGPT也能将主要任务分解成多个基本任务,最后整合多个模型的推理结果,得到正确答案。
此外,研究人员通过测试评估了HuggingGPT在复杂任务情况下的有效性。
就HuggingGPT处理多项复杂任务的能力进行了展示。
当处理多个请求的时候,可能包含多个隐含任务或者需要等多方面的信息,这时依靠一个专家模型来解决是不够的。
而HuggingGPT可以通过任务规划组织多个模型的协作。
一个用户请求中可能明确包含多个任务:
下图展示了HuggingGPT在多轮对话场景下应对复杂任务的能力。
用户将一个复杂的请求分成几个步骤,通过多轮请求达到最终目标。结果发现,HuggingGPT可以通过任务规划阶段的对话情境管理来跟踪用户请求的情境状态,并且可以很好地解决用户提到的请求资源以及任务规划。

「贾维斯」开源


目前,这一项目已经在GitHub上开源,但是代码并没有完全公布。
有趣的是,研究者给这个项目命名为《钢铁侠》中的贾维斯,无敌AI这就来了。
JARVIS:一个连接LLMs和ML社区的系统
顺便提一句,HuggingGPT需要有了OpenAI的API才可以使用。

网友:研究的未来


JARVIS / HuggingGPT就像此前Meta提出的Toolformer一样,都在充当着连接器的作用。
甚至,包括ChatGPT plugins也是如此。
网友称,「我强烈怀疑第一个人工通用智能(AGI)的出现将比预期更早。它将依靠「胶水」人工智能,能够智能地将一系列狭义人工智能和实用工具粘合在一起。
我获得了访问ChatGPT的Wolfram插件的权限,这使它一夜之间从数学菜鸡变成了数学天才。当然,这只是一个小步骤,但却预示着未来的发展趋势。
我预测,在接下来的一年左右,我们将看到一种人工智能助手,它与数十个大型语言模型(LLMs)及类似工具相连,而终端用户只需向其助手发出指令,让其为他们完成任务。这个科幻般的时刻即将到来。
还有网友称,这就是未来的研究方法。
GPT在一大堆工具面前,知道如何使用它们了。

参考资料:
https://twitter.com/johnjnay/status/1641609645713129473
https://news.ycombinator.com/item?id=35390153


本文来源新智元,如有侵权请联系删除

END

加入AIGC开放社区交流群

添加微信:13331022201 ,备注“职位信息&名字”

管理员审核后加入讨论群