概要
Mixture-of-Agents (MoA) は、複数の言語モデルが回答を草案し、アグリゲーター モデルが最良のアイデアを 1 つの改善された回答に融合する手法です。これにより、オープン モデルのチームが単一の最上位モデルに匹敵したり、それに勝ったりすることができます。
Mixture-of-Agents Aggregation は、テキストと音声を大規模に読み取り、生成、分類、変換するために使用される言語 AI スタックの一部です。
ディープダイブ
Together AI の 2024 年の論文で導入された Mixture-of-Agents は、複数の LLM をレイヤーに編成します。最初の層では、いくつかの「提案者」モデルがそれぞれ独立してプロンプトに応答します。次に、それらの出力が連結されて次の層に渡され、そこでモデルが再び応答し、以前のすべてのドラフトに基づいて条件付けされます。 1 つ以上のこのようなラウンドの後、最終的な「アグリゲーター」モデルはすべてを 1 つの回答に合成します。著者らが「LLMの協調性」と呼んでいる核となる洞察は、たとえ不完全な回答であっても、同僚の回答を示されたときにモデルがより良い応答を生成するということである。 AlpacaEval 2.0 ベンチマークでは、完全にオープンソース モデルから構築された MoA が GPT-4 Omni のスコアを上回ったと報告されており、多様で安価なモデルを慎重に集約すれば単一のフロンティア システムに勝てることが実証されました。
技術的な洞察
MoA は単純な多数決とは異なります。アグリゲーターは 1 つの回答を選択するのではなく、すべての候補回答をコンテキストとして読み取り、新たな合成を生成し、強度をブレンドし、エラーをフィルタリングします。提案者間の多様性が役立つため、異なるモデル ファミリを混合することは価値があります。この構造は、各層の「ニューロン」が LLM 呼び出し全体である深いネットワークのように階層化されています。トレードオフはレイテンシーとコストです。各レイヤーにより推論呼び出しの数が増加するため、MoA は品質を向上させるためにより多くのコンピューティングを費やします。
混合エージェントの集約をマスターする
Mixture-of-Agents (MoA) は、複数の言語モデルが回答を草案し、アグリゲーター モデルが最良のアイデアを 1 つの改善された回答に融合する手法です。これにより、オープン モデルのチームが単一の最上位モデルに匹敵したり、それに勝ったりすることができます。 Mixture-of-Agents Aggregation は、テキストと音声を大規模に読み取り、生成、分類、変換するために使用される言語 AI スタックの一部です。深い理解を構築するには、混合エージェントの集約を単一の機能ではなくオペレーティング モデルとして扱います。望ましい結果を定義し、前提条件を明確にし、システムが確実に実行できることと、依然として専門家の判断が必要なことを分離します。
実際には、Mixture-of-Agents Aggregation を使用する強力なチームは、プロンプト、取得、レビューのループを 1 つの統合された通信システムとして設計します。明示的な成功基準を文書化し、現実的なデータとワークフローに対してテストし、一度限りのベンチマークの成功ではなく、観察された失敗パターンに基づいて反復します。ここで、理論的な理解が、製品、ポリシー、運用全体にわたる永続的な機能に変わります。
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。同時に、幻覚の事実がレポート、サポート フロー、または研究成果に静かに入力される可能性があります。最も回復力のあるアプローチは、実験のスピードとガバナンスの規律を組み合わせることであり、パイロットを実行し、証拠を取得し、意思決定ログを公開し、モデルの動作、ユーザーの期待、規制要件の進化に応じて安全対策を継続的に更新します。
戦略的影響
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
言語やコミュニケーション スタイルを超えてアクセスが拡張されます。
言語やコミュニケーション スタイルを超えてアクセスが拡張されます。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。
自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
現実世界の実装
提案者として 3 つの異なるオープン チャット モデルを組み合わせ、強力なアグリゲーターを使用して 1 つの洗練されたカスタマー サポートの返信を生成します。
オープンソース モデルのみを使用して、AlpacaEval スタイルのベンチマークで指示に従ってスコアを向上させます。
複数のモデルからの多様なコード提案を単一のより堅牢な関数実装に融合します。
データが企業のサーバーから流出できないプライバシーに配慮した展開向けに、フロンティア品質に近づくオープンウェイト パイプラインを実行します。
実装パターン
実際のエージェント混合アグリゲーション
提案者として 3 つの異なるオープン チャット モデルを組み合わせ、強力なアグリゲーターを使用して 1 つの洗練されたカスタマー サポートの返信を生成します。
提案者として 3 つの異なるオープン チャット モデルを組み合わせ、強力なアグリゲーターを使用して 1 つの洗練されたカスタマー サポートの返信を生成します。チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人間によるエスカレーション パスを確保し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
実際のエージェント混合アグリゲーション
オープンソース モデルのみを使用して、AlpacaEval スタイルのベンチマークで指示に従ってスコアを向上させます。
オープンソース モデルのみを使用した AlpacaEval スタイルのベンチマークでの指示に従ってスコアを向上する チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを維持し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
実際のエージェント混合アグリゲーション
複数のモデルからの多様なコード提案を単一のより堅牢な関数実装に融合します。
複数のモデルからの多様なコード提案を単一の、より堅牢な関数実装に融合する チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人間によるエスカレーション パスを確保し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
実際のエージェント混合アグリゲーション
データが企業のサーバーから流出できないプライバシーに配慮した展開向けに、フロンティア品質に近づくオープンウェイト パイプラインを実行します。
データが企業のサーバーから流出できないプライバシーに配慮した導入において、最前線の品質に近づくオープンウェイト パイプラインを実行する チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを確保し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
リスクとガードレール
幻覚のような事実が、レポート、サポート フロー、または研究結果に静かに組み込まれる可能性があります。
迅速な対応により、同様のリクエスト間で一貫性のない結果が生じる可能性があります。
アクセス制御が弱いと、機密テキスト データが漏洩する可能性があります。
実装ロードマップ
展開する前に、出力形式、トーン、品質基準を定義します。
展開する前に、出力形式、トーン、品質基準を定義します。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。
正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
一か八かの成果物については人間によるレビュー チェックポイントを維持します。
一か八かの成果物については人間によるレビュー チェックポイントを維持します。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。
失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。