Преглед
Смесването на агенти (MoA) е техника, при която няколко езикови модела изготвят отговори и след това агрегаторният модел обединява най-добрите им идеи в един подобрен отговор. Той позволява на екип от отворени модели да се съревновава или да победи един модел от най-високо ниво.
Mixture-of-Agent Aggregation е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб.
Дълбоко гмуркане
Въведен в документ от 2024 г. от Together AI, Mixture-of-Agents организира множество LLMs в слоеве. В първия слой няколко модела „предлагащи“ отговарят независимо на подканата. Техните резултати след това се свързват и предават на следващия слой, където моделите отново отговарят, вече обусловени от всички предишни чернови. След един или повече такива кръга окончателният модел на „агрегатор“ синтезира всичко в един отговор. Основното прозрение, което авторите наричат „сътрудничество на LLMs“, е, че моделите дават по-добри отговори, когато се показват отговорите на връстниците, дори и несъвършените. На бенчмарка AlpacaEval 2.0, MoA, изграден изцяло от модели с отворен код, според съобщенията надмина резултата на GPT-4 Omni, демонстрирайки, че внимателното агрегиране на различни, по-евтини модели може да победи една гранична система.
Техническа информация
MoA се различава от гласуването с обикновено мнозинство: вместо да избира един отговор, агрегаторът чете отговорите на всички кандидати като контекст и генерира нов синтез, смесвайки силните страни и грешките при филтриране. Разнообразието сред предлагащите помага, така че смесването на различни семейства модели е ценно. Структурата е слоеста, като дълбока мрежа, където „невроните“ на всеки слой са цели LLM извиквания. Компромисът е забавянето и разходите: всеки слой умножава броя на повикванията за извод, така че MoA изразходва повече изчисления, за да повиши качеството.
Овладяване на агрегирането на смеси от агенти
Смесването на агенти (MoA) е техника, при която няколко езикови модела изготвят отговори и след това агрегаторният модел обединява най-добрите им идеи в един подобрен отговор. Той позволява на екип от отворени модели да се съревновава или да победи един модел от най-високо ниво. Mixture-of-Agent Aggregation е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб. За да изградите дълбоко разбиране, третирайте агрегирането на смес от агенти като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика, силни екипи, използващи Mixture-of-Agent Aggregation, проектират подкани, извличане и цикли за преглед като една интегрирана комуникационна система. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. В същото време халюцинираните факти могат тихо да влизат в отчети, поддържащи потоци или резултати от изследвания. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Той разширява достъпа между езици и стилове на комуникация.
Той разширява достъпа между езици и стилове на комуникация. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Комбиниране на три различни модела на отворен чат като предложители, след което използване на силен агрегатор за получаване на един изчистен отговор от поддръжката на клиенти.
Повишаване на резултатите за следване на инструкции в бенчмаркове в стил AlpacaEval, като се използват само модели с отворен код.
Сливане на различни предложения за код от няколко модела в едно, по-стабилно изпълнение на функция.
Изпълнение на конвейер с отворени тегла, който се доближава до граничното качество за чувствително към поверителността внедряване, при което данните не могат да напуснат сървърите на компанията.
Модели на изпълнение
Агрегиране на смеси от агенти на практика
Комбиниране на три различни модела на отворен чат като предложители, след което използване на силен агрегатор за получаване на един изчистен отговор от поддръжката на клиенти.
Комбиниране на три различни отворени модела за чат като предложители, след което използване на силен агрегатор за получаване на един изпипан отговор за поддръжка на клиенти Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Агрегиране на смеси от агенти на практика
Повишаване на резултатите за следване на инструкции в бенчмаркове в стил AlpacaEval, като се използват само модели с отворен код.
Повишаване на резултатите за следване на инструкции при бенчмаркове в стил AlpacaEval, като се използват само модели с отворен код Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Агрегиране на смеси от агенти на практика
Сливане на различни предложения за код от няколко модела в едно, по-стабилно изпълнение на функция.
Сливане на разнообразни предложения за код от няколко модела в едно, по-стабилно внедряване на функция Екипите обикновено получават по-добри резултати, когато дефинират предварително прагове за качество, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Агрегиране на смеси от агенти на практика
Изпълнение на конвейер с отворени тегла, който се доближава до граничното качество за чувствително към поверителността внедряване, при което данните не могат да напуснат сървърите на компанията.
Изпълнение на конвейер с отворени тегла, който се доближава до гранично качество за чувствително към поверителността внедряване, при което данните не могат да напуснат сървърите на компанията Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Халюцинираните факти могат тихо да влязат в отчети, потоци за поддръжка или резултати от изследвания.
Бързата чувствителност може да създаде противоречиви резултати при подобни заявки.
Чувствителните текстови данни могат да бъдат разкрити, ако контролите за достъп са слаби.
Пътна карта за изпълнение
Определете изходен формат, тон и стандарти за качество преди внедряване.
Определете изходен формат, тон и стандарти за качество преди внедряване. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Наземни отговори с доверени източници винаги, когато точността има значение.
Наземни отговори с доверени източници винаги, когато точността има значение. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Поддържайте контролна точка за човешки преглед за изходи с високи залози.
Поддържайте контролна точка за човешки преглед за изходи с високи залози. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.