Przegląd
Mieszanka agentów (MoA) to technika, w której kilka modeli językowych opracowuje odpowiedzi, a następnie model agregatorowy łączy ich najlepsze pomysły w jedną ulepszoną odpowiedź. Pozwala zespołowi otwartych modeli rywalizować lub pokonać pojedynczy model z najwyższej półki.
Agregacja typu Mixture-of-Agents jest częścią stosu językowego AI używanego do odczytywania, generowania, klasyfikowania i przekształcania tekstu i mowy na dużą skalę.
Głębokie nurkowanie
Wprowadzony w artykule z 2024 r. opublikowanym przez Together AI, Mixture-of-Agents organizuje wiele LLM w warstwy. W pierwszej warstwie kilka modeli „proponujących” niezależnie odpowiada na pytanie. Ich wyniki są następnie łączone i przekazywane do następnej warstwy, gdzie modele ponownie odpowiadają, teraz uwarunkowane na wszystkich poprzednich wersjach roboczych. Po jednej lub większej liczbie takich rund ostateczny model „agregujący” syntetyzuje wszystko w jedną odpowiedź. Podstawowe spostrzeżenie, które autorzy nazywają „współpracą LLM”, polega na tym, że modele dają lepsze odpowiedzi, gdy pokazuje się im odpowiedzi innych osób, nawet te niedoskonałe. W teście AlpacaEval 2.0 MoA zbudowany w całości z modeli open source podobno przekroczył wynik GPT-4 Omni, pokazując, że ostrożna agregacja różnorodnych, tańszych modeli może pokonać pojedynczy system graniczny.
Wgląd techniczny
MoA różni się od zwykłego głosowania większością: zamiast wybierać jedną odpowiedź, agregator odczytuje odpowiedzi wszystkich kandydatów jako kontekst i generuje nową syntezę, łącząc mocne strony i filtrując błędy. Różnorodność wśród oferentów pomaga, dlatego cenne jest mieszanie różnych rodzin modeli. Struktura jest warstwowa, jak głęboka sieć, w której „neurony” każdej warstwy to całe wywołania LLM. Kompromisem są opóźnienia i koszty: każda warstwa zwielokrotnia liczbę wywołań wnioskowania, więc MoA zużywa więcej mocy obliczeniowej, aby podnieść jakość.
Opanowanie agregacji mieszanin agentów
Mieszanka agentów (MoA) to technika, w której kilka modeli językowych opracowuje odpowiedzi, a następnie model agregatorowy łączy ich najlepsze pomysły w jedną ulepszoną odpowiedź. Pozwala zespołowi otwartych modeli rywalizować lub pokonać pojedynczy model z najwyższej półki. Agregacja typu Mixture-of-Agents jest częścią stosu językowego AI używanego do odczytywania, generowania, klasyfikowania i przekształcania tekstu i mowy na dużą skalę. Aby zbudować głębokie zrozumienie, traktuj agregację mieszaniny agentów jako model operacyjny, a nie pojedynczą funkcję: zdefiniuj pożądane wyniki, wyjaśnij założenia i oddziel to, co system może niezawodnie zrobić, od tego, co wciąż wymaga fachowej oceny.
W praktyce silne zespoły korzystające z agregacji mieszaniny agentów projektują pętle podpowiedzi, wyszukiwania i przeglądania jako jeden zintegrowany system komunikacji. Dokumentują wyraźne kryteria sukcesu, testują realistyczne dane i przepływy pracy oraz wykonują iteracje w oparciu o zaobserwowane wzorce niepowodzeń, a nie jednorazowe zwycięstwa w testach porównawczych. W tym miejscu teoretyczne zrozumienie zamienia się w trwałe możliwości w zakresie produktu, polityki i operacji.
Przepływy pracy związane z językiem mogą przebiegać szybciej bez utraty spójności. Jednocześnie halucynacyjne fakty mogą po cichu trafiać do raportów, przepływów wsparcia lub wyników badań. Najbardziej odporne podejście polega na połączeniu szybkości eksperymentowania z dyscypliną zarządzania: przeprowadzanie programów pilotażowych, gromadzenie dowodów, publikowanie dzienników decyzji i ciągłe aktualizowanie zabezpieczeń w miarę ewolucji zachowań modelu, oczekiwań użytkowników i wymagań prawnych.
Wpływ strategiczny
Przepływy pracy związane z językiem mogą przebiegać szybciej bez utraty spójności.
Przepływy pracy związane z językiem mogą przebiegać szybciej bez utraty spójności. W przypadku wdrożeń wysokiej jakości przekłada się to na mierzalne zasady działania, granice własności i rytuały cyklicznych przeglądów, dzięki czemu zespoły mogą zwiększać pewność siebie zamiast skalować niejednoznaczność.
Rozszerza dostęp w różnych językach i stylach komunikacji.
Rozszerza dostęp w różnych językach i stylach komunikacji. W przypadku wdrożeń wysokiej jakości przekłada się to na mierzalne zasady działania, granice własności i rytuały cyklicznych przeglądów, dzięki czemu zespoły mogą zwiększać pewność siebie zamiast skalować niejednoznaczność.
Zespoły mogą spędzać więcej czasu na ocenie, podczas gdy automatyzacja radzi sobie z powtarzalnością.
Zespoły mogą spędzać więcej czasu na ocenie, podczas gdy automatyzacja radzi sobie z powtarzalnością. W przypadku wdrożeń wysokiej jakości przekłada się to na mierzalne zasady działania, granice własności i rytuały cyklicznych przeglądów, dzięki czemu zespoły mogą zwiększać pewność siebie zamiast skalować niejednoznaczność.
Implementacja w świecie rzeczywistym
Połączenie trzech różnych modeli otwartego czatu jako proponujących, a następnie użycie silnego agregatora w celu uzyskania jednej dopracowanej odpowiedzi obsługi klienta.
Zwiększanie wyników zgodnie z instrukcjami w testach porównawczych w stylu AlpacaEval przy użyciu wyłącznie modeli typu open source.
Łączenie różnorodnych sugestii kodu z kilku modeli w jedną, bardziej niezawodną implementację funkcji.
Uruchamianie potoku o otwartej wadze, który zbliża się do granicznej jakości w przypadku wdrożenia wrażliwego na prywatność, w którym dane nie mogą opuścić serwerów firmy.
Wzorce implementacyjne
Agregacja mieszanin agentów w praktyce
Połączenie trzech różnych modeli otwartego czatu jako proponujących, a następnie użycie silnego agregatora w celu uzyskania jednej dopracowanej odpowiedzi obsługi klienta.
Łączenie trzech różnych modeli otwartego czatu jako proponujących, a następnie użycie silnego agregatora w celu uzyskania jednej dopracowanej odpowiedzi obsługi klienta. Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych i śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Agregacja mieszanin agentów w praktyce
Zwiększanie wyników zgodnie z instrukcjami w testach porównawczych w stylu AlpacaEval przy użyciu wyłącznie modeli typu open source.
Zwiększanie wyników zgodnie z instrukcjami w testach porównawczych w stylu AlpacaEval przy użyciu wyłącznie modeli typu open source Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych i śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Agregacja mieszanin agentów w praktyce
Łączenie różnorodnych sugestii kodu z kilku modeli w jedną, bardziej niezawodną implementację funkcji.
Łączenie różnorodnych sugestii dotyczących kodu z kilku modeli w jedną, bardziej niezawodną implementację funkcji Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych i śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Agregacja mieszanin agentów w praktyce
Uruchamianie potoku o otwartej wadze, który zbliża się do granicznej jakości w przypadku wdrożenia wrażliwego na prywatność, w którym dane nie mogą opuścić serwerów firmy.
Uruchamianie potoku o otwartej wadze, który zbliża się do najwyższej jakości w przypadku wdrożenia wrażliwego na prywatność, w którym dane nie mogą opuścić serwerów firmy. Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych i śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Zagrożenia i poręcze
Halucynacyjne fakty mogą po cichu trafiać do raportów, strumieni wsparcia lub wyników badań.
Szybka czułość może spowodować niespójne wyniki w przypadku podobnych żądań.
Wrażliwe dane tekstowe mogą zostać ujawnione, jeśli kontrola dostępu jest słaba.
Plan wdrożenia
Zdefiniuj format wyjściowy, ton i standardy jakości przed wdrożeniem.
Zdefiniuj format wyjściowy, ton i standardy jakości przed wdrożeniem. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.
Zawsze, gdy liczy się dokładność, korzystaj z zaufanych źródeł.
Zawsze, gdy liczy się dokładność, korzystaj z zaufanych źródeł. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.
Utrzymuj punkt kontrolny weryfikacji ręcznej w przypadku wyników o wysokiej stawce.
Utrzymuj punkt kontrolny weryfikacji ręcznej w przypadku wyników o wysokiej stawce. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.
Śledź wzorce niepowodzeń i regularnie powtarzaj monity lub przepływy pracy.
Śledź wzorce niepowodzeń i regularnie powtarzaj monity lub przepływy pracy. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.