Огляд
Змішування агентів (MoA) — це техніка, за якої кілька мовних моделей готують відповіді, а потім модель агрегатора об’єднує їхні найкращі ідеї в одну вдосконалену відповідь. Це дозволяє команді відкритих моделей змагатися або перемогти одну модель вищого рівня.
Агрегація суміші агентів є частиною стеку мовного штучного інтелекту, який використовується для читання, генерації, класифікації та масштабного перетворення тексту та мови.
Глибоке занурення
Представлений у статті 2024 року від Together AI, Mixture-of-Agents організовує кілька LLM у рівні. На першому рівні кілька моделей «пропонентів» незалежно відповідають на запит. Їхні результати потім об’єднуються та передаються на наступний рівень, де моделі знову відповідають, тепер залежно від усіх попередніх чернеток. Після одного або кількох таких раундів остаточна модель «агрегатора» синтезує все в одну відповідь. Основне розуміння, яке автори називають «співпрацею LLM», полягає в тому, що моделі дають кращі відповіді, коли показують відповіді колег, навіть недосконалі. У тесті AlpacaEval 2.0 MoA, створений повністю з моделей з відкритим вихідним кодом, як повідомляється, перевищив оцінку GPT-4 Omni, демонструючи, що ретельне агрегування різноманітних, дешевших моделей може перемогти єдину граничну систему.
Технічне розуміння
MoA відрізняється від голосування простою більшістю: замість того, щоб вибрати одну відповідь, агрегатор зчитує відповіді всіх кандидатів як контекст і генерує новий синтез, змішуючи сильні сторони та фільтруючи помилки. Різноманітність серед пропонентів допомагає, тому змішування різних модельних сімей є цінним. Структура багатошарова, як глибока мережа, де «нейрони» кожного шару є цілими викликами LLM. Компромісом є затримка та вартість: кожен рівень примножує кількість викликів висновку, тому MoA витрачає більше обчислень для підвищення якості.
Освоєння агрегації суміші агентів
Змішування агентів (MoA) — це техніка, за якої кілька мовних моделей готують відповіді, а потім модель агрегатора об’єднує їхні найкращі ідеї в одну вдосконалену відповідь. Це дозволяє команді відкритих моделей змагатися або перемогти одну модель вищого рівня. Агрегація суміші агентів є частиною стеку мовного штучного інтелекту, який використовується для читання, генерації, класифікації та масштабного перетворення тексту та мови. Щоб отримати глибоке розуміння, розглядайте агрегацію суміші агентів як операційну модель, а не як окрему функцію: визначте бажані результати, уточніть припущення та відокремте те, що система може зробити надійно, від того, що все ще вимагає експертної оцінки.
На практиці сильні команди, які використовують агрегацію суміші агентів, проектують підказки, цикли пошуку та перегляду як одну інтегровану систему зв’язку. Вони документують чіткі критерії успіху, перевіряють реалістичні дані та робочі процеси та виконують ітерацію на основі спостережуваних моделей невдач, а не одноразових перемог у тестах. Саме тут теоретичне розуміння перетворюється на довготривалу здатність щодо продуктів, політики та операцій.
Мовні робочі процеси можуть рухатися швидше без шкоди для узгодженості. У той же час галюциновані факти можуть непомітно входити у звіти, допоміжні потоки або результати досліджень. Найбільш стійкий підхід полягає в поєднанні швидкості експериментів із дисципліною управління: запускайте пілотні проекти, збирайте докази, публікуйте журнали рішень і постійно оновлюйте запобіжні заходи в міру розвитку поведінки моделі, очікувань користувачів і нормативних вимог.
Стратегічний вплив
Мовні робочі процеси можуть рухатися швидше без шкоди для узгодженості.
Мовні робочі процеси можуть рухатися швидше без шкоди для узгодженості. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Це розширює доступ до різних мов і стилів спілкування.
Це розширює доступ до різних мов і стилів спілкування. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Команди можуть витрачати більше часу на оцінювання, поки автоматизація справляється з повторенням.
Команди можуть витрачати більше часу на оцінювання, поки автоматизація справляється з повторенням. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Впровадження в реальному світі
Поєднання трьох різних моделей відкритого чату як пропонентів, а потім використання сильного агрегатора для отримання однієї вишуканої відповіді служби підтримки клієнтів.
Підвищення показників виконання інструкцій у тестах у стилі AlpacaEval, використовуючи лише моделі з відкритим кодом.
Об’єднання різноманітних пропозицій коду з кількох моделей в єдину, більш надійну реалізацію функції.
Запуск конвеєра відкритих ваг, що наближається до найвищої якості для розгортання, що враховує конфіденційність, де дані не можуть залишити сервери компанії.
Шаблони реалізації
Агрегація суміші агентів на практиці
Поєднання трьох різних моделей відкритого чату як пропонентів, а потім використання сильного агрегатора для отримання однієї вишуканої відповіді служби підтримки клієнтів.
Комбінуючи три різні моделі відкритого чату як пропонентів, а потім використовуючи потужний агрегатор для отримання однієї вишуканої відповіді служби підтримки клієнтів. Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях ескалації з боку людини для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Агрегація суміші агентів на практиці
Підвищення показників виконання інструкцій у тестах у стилі AlpacaEval, використовуючи лише моделі з відкритим кодом.
Підвищення показників виконання інструкцій у тестах у стилі AlpacaEval із використанням лише моделей із відкритим вихідним кодом. Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях людської ескалації для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Агрегація суміші агентів на практиці
Об’єднання різноманітних пропозицій коду з кількох моделей в єдину, більш надійну реалізацію функції.
Об’єднання різноманітних пропозицій коду з кількох моделей у єдину, більш надійну реалізацію функції. Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях ескалації з боку людини для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Агрегація суміші агентів на практиці
Запуск конвеєра відкритих ваг, що наближається до найвищої якості для розгортання, що враховує конфіденційність, де дані не можуть залишити сервери компанії.
Запуск конвеєра відкритих ваг, який наближається до найвищої якості для чутливого до конфіденційності розгортання, де дані не можуть покинути сервери компанії. Команди зазвичай отримують кращі результати, коли визначають порогові значення якості наперед, зберігають шлях ескалації людини для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Ризики та огорожі
Галюциновані факти можуть непомітно входити у звіти, допоміжні потоки або результати досліджень.
Делікатність підказок може створити суперечливі результати для подібних запитів.
Конфіденційні текстові дані можуть бути розкриті, якщо контроль доступу слабкий.
Дорожня карта впровадження
Визначте вихідний формат, тон і стандарти якості перед розгортанням.
Визначте вихідний формат, тон і стандарти якості перед розгортанням. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Якщо точність має значення, зв’яжіться з надійними джерелами.
Якщо точність має значення, зв’яжіться з надійними джерелами. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Тримайте контрольну точку перевірки людьми для отримання високих ставок.
Тримайте контрольну точку перевірки людьми для отримання високих ставок. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Відстежуйте моделі збоїв і регулярно перенавчайте підказки або робочі процеси.
Відстежуйте моделі збоїв і регулярно перенавчайте підказки або робочі процеси. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.