개요
MoA(Mixture-of-Agents)는 여러 언어 모델이 답변 초안을 작성한 다음 수집자 모델이 최상의 아이디어를 하나의 개선된 응답으로 융합하는 기술입니다. 이를 통해 개방형 모델 팀이 단일 최상위 모델과 경쟁하거나 이길 수 있습니다.
에이전트 혼합 집계는 대규모로 텍스트와 음성을 읽고, 생성하고, 분류하고, 변환하는 데 사용되는 언어 AI 스택의 일부입니다.
심층 분석
Together AI의 2024년 논문에 소개된 Mixture-of-Agents는 여러 LLM을 레이어로 구성합니다. 첫 번째 계층에서는 여러 '제안자' 모델이 각각 독립적으로 프롬프트에 응답합니다. 그런 다음 출력은 연결되어 다음 레이어로 전달되며, 여기서 모델은 다시 응답하며 이제 모든 이전 초안을 조건으로 합니다. 이러한 라운드를 한 번 이상 수행한 후 최종 '집합자' 모델은 모든 것을 단일 답변으로 종합합니다. 저자가 'LLM의 협력성'이라고 부르는 핵심 통찰력은 모델이 동료의 답변, 심지어 불완전한 답변을 표시할 때 더 나은 응답을 생성한다는 것입니다. AlpacaEval 2.0 벤치마크에서 완전히 오픈 소스 모델로 구축된 MoA는 GPT-4 Omni의 점수를 능가한 것으로 알려졌으며, 이는 다양하고 저렴한 모델을 주의 깊게 집계하면 단일 프론티어 시스템을 능가할 수 있음을 보여줍니다.
기술적 통찰력
MoA는 단순한 다수 투표와 다릅니다. 하나의 답변을 선택하는 대신 집계자는 모든 후보 응답을 컨텍스트로 읽고 새로운 종합을 생성하여 장점을 혼합하고 오류를 필터링합니다. 제안자 간의 다양성이 도움이 되므로 다양한 모델군을 혼합하는 것이 중요합니다. 구조는 각 계층의 '뉴런'이 전체 LLM 호출인 심층 네트워크와 같이 계층화되어 있습니다. 단점은 지연 시간과 비용입니다. 각 계층은 추론 호출 수를 곱하므로 MoA는 품질을 향상하기 위해 더 많은 컴퓨팅을 소비합니다.
에이전트 혼합물 집합 마스터링
MoA(Mixture-of-Agents)는 여러 언어 모델이 답변 초안을 작성한 다음 수집자 모델이 최상의 아이디어를 하나의 개선된 응답으로 융합하는 기술입니다. 이를 통해 개방형 모델 팀이 단일 최상위 모델과 경쟁하거나 이길 수 있습니다. 에이전트 혼합 집계는 대규모로 텍스트와 음성을 읽고, 생성하고, 분류하고, 변환하는 데 사용되는 언어 AI 스택의 일부입니다. 깊은 이해를 구축하려면 Mixture-of-Agents Aggregation을 단일 기능이 아닌 운영 모델로 취급하십시오. 원하는 결과를 정의하고, 가정을 명확히 하고, 시스템이 안정적으로 수행할 수 있는 작업과 여전히 전문가 판단이 필요한 작업을 분리하세요.
실제로 Mixture-of-Agents Aggregation 설계를 사용하는 강력한 팀은 프롬프트, 검색 및 검토 루프를 하나의 통합 커뮤니케이션 시스템으로 사용합니다. 명시적인 성공 기준을 문서화하고, 현실적인 데이터 및 워크플로를 기준으로 테스트하며, 일회성 벤치마크 승리보다는 관찰된 실패 패턴을 기반으로 반복합니다. 이론적 이해가 제품, 정책, 운영 전반에 걸쳐 지속 가능한 역량으로 바뀌는 곳입니다.
일관성을 유지하면서 언어 워크플로를 더 빠르게 진행할 수 있습니다. 동시에 환각 사실은 보고서, 지원 흐름 또는 연구 결과에 조용히 포함될 수 있습니다. 가장 탄력적인 접근 방식은 실험 속도와 거버넌스 규율을 결합하는 것입니다. 즉, 파일럿 실행, 증거 캡처, 결정 로그 게시, 모델 동작, 사용자 기대 및 규제 요구 사항이 발전함에 따라 보호 장치를 지속적으로 업데이트합니다.
전략적 영향
일관성을 유지하면서 언어 워크플로를 더 빠르게 진행할 수 있습니다.
일관성을 유지하면서 언어 워크플로를 더 빠르게 진행할 수 있습니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
언어와 의사소통 스타일 전반에 걸쳐 접근성을 확장합니다.
언어와 의사소통 스타일 전반에 걸쳐 접근성을 확장합니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
자동화가 반복을 처리하는 동안 팀은 판단에 더 많은 시간을 할애할 수 있습니다.
자동화가 반복을 처리하는 동안 팀은 판단에 더 많은 시간을 할애할 수 있습니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
실제 구현
세 가지 오픈 채팅 모델을 제안자로 결합한 다음 강력한 수집기를 사용하여 하나의 세련된 고객 지원 답변을 생성합니다.
오픈 소스 모델만을 사용하여 AlpacaEval 스타일 벤치마크에서 지시 따르기 점수를 높입니다.
여러 모델의 다양한 코드 제안을 보다 강력한 단일 기능 구현으로 융합합니다.
데이터가 회사 서버를 떠날 수 없는 개인 정보 보호 배포를 위해 최전선 품질에 접근하는 개방형 가중치 파이프라인을 실행합니다.
구현 패턴
실제로 혼합제 집합체
세 가지 오픈 채팅 모델을 제안자로 결합한 다음 강력한 수집기를 사용하여 하나의 세련된 고객 지원 답변을 생성합니다.
세 가지 오픈 채팅 모델을 제안자로 결합한 후 강력한 수집기를 사용하여 하나의 세련된 고객 지원 답변을 생성합니다. 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
실제로 혼합제 집합체
오픈 소스 모델만을 사용하여 AlpacaEval 스타일 벤치마크에서 지시 따르기 점수를 높입니다.
오픈 소스 모델만 사용하여 AlpacaEval 스타일 벤치마크에서 지침 준수 점수 향상 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
실제로 혼합제 집합체
여러 모델의 다양한 코드 제안을 보다 강력한 단일 기능 구현으로 융합합니다.
여러 모델의 다양한 코드 제안을 보다 강력한 단일 기능 구현으로 융합 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
실제로 혼합제 집합체
데이터가 회사 서버를 떠날 수 없는 개인 정보 보호 배포를 위해 최전선 품질에 접근하는 개방형 가중치 파이프라인을 실행합니다.
데이터가 회사 서버를 떠날 수 없는 개인 정보 보호 배포를 위해 최전선 품질에 접근하는 개방형 가중치 파이프라인 실행 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
위험 및 가드레일
환각 사실은 보고서, 지원 흐름 또는 연구 결과에 조용히 포함될 수 있습니다.
신속한 민감도는 유사한 요청 간에 일관되지 않은 결과를 초래할 수 있습니다.
액세스 제어가 약한 경우 민감한 텍스트 데이터가 노출될 수 있습니다.
구현 로드맵
출시 전에 출력 형식, 톤, 품질 표준을 정의하세요.
출시 전에 출력 형식, 톤, 품질 표준을 정의하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
정확성이 중요할 때마다 신뢰할 수 있는 출처를 통해 대응하세요.
정확성이 중요할 때마다 신뢰할 수 있는 출처를 통해 대응하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
고위험 결과물에 대한 인적 검토 체크포인트를 유지합니다.
고위험 결과물에 대한 인적 검토 체크포인트를 유지합니다. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
실패 패턴을 추적하고 프롬프트나 워크플로를 정기적으로 재교육하세요.
실패 패턴을 추적하고 프롬프트나 워크플로를 정기적으로 재교육하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.