概述
它让一组开源模型能够匹敌甚至超越单个顶级模型。
深入探讨
Together AI 在 2024 年发表的一篇论文中介绍了 Mixture-of-Agents，它将多个 LLM 组织成多个层。在第一层中，几个“提议者”模型各自独立地回答提示。然后，它们的输出被连接并传递到下一层，模型再次响应，现在以所有先前的草稿为条件。经过一轮或多轮这样的回合后，最终的“聚合器”模型将所有内容综合为一个答案。作者称之为“法学硕士的协作性”的核心见解是，当向同行展示答案时，模型会产生更好的响应，即使是不完美的答案。据报道，在 AlpacaEval 2.0 基准测试中，完全由开源模型构建的 MoA 超过了 GPT-4 Omni 的分数，这表明多种、更便宜的模型的仔细聚合可以击败单一前沿系统。
现实世界的实施
结合三种不同的开放聊天模型作为提议者，然后使用强大的聚合器生成一份精美的客户支持回复。
仅使用开源模型提高 AlpacaEval 式基准测试中的指令遵循分数。
将多个模型的不同代码建议融合到一个更强大的函数实现中。
运行开放权重管道，该管道接近隐私敏感部署的前沿质量，其中数据无法离开公司的服务器。
混合代理聚合的未来
随着推理成本的降低和编排框架的成熟，预计 MoA 式聚合将会得到普及。研究方向包括了解每个查询（路由）信任哪些提议者，通过并行运行提议者并尽早修剪弱提议者来减少延迟损失，以及将 MoA 与使用工具的代理相结合，以便聚合器不仅融合文本，还融合操作和检索到的证据。随着开放模型的激增，智能地集成它们成为一种越来越实用的途径，无需使用单一的巨型模型即可达到前沿质量。
付诸实践
为什么这很重要
- 速度与规模. 语言工作流程可以在不牺牲一致性的情况下更快地移动。
- 交通与覆盖范围. 它扩展了跨语言和沟通方式的访问。
- 更清晰的判决. 团队可以花更多时间进行判断，而自动化则可以处理重复。
留意
- 幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
- 及时的敏感性可能会在类似的请求中产生不一致的结果。
- 如果访问控制薄弱，敏感文本数据可能会暴露。
后续步骤
- 在推出之前定义输出格式、语气和质量标准。
- 当准确性很重要时，请使用可信来源进行地面响应。
- 为高风险输出保留人工审查检查点。
- 跟踪故障模式并定期重新训练提示或工作流程。
不断探索
常见问题
什么是 Mixture-of-Agents 聚合？
混合代理 (MoA) 是一种技术，其中多个语言模型起草答案，然后聚合器模型将它们的最佳想法融合到一个改进的响应中。它让开放模型团队可以与单个顶级模型竞争或击败。
在混合代理中，聚合器模型的作用是什么？
聚合器读取所有候选答案并生成一个融合的、更高质量的答案。
MoA 论文依赖于法学硕士的哪些关键属性？
作者观察到，当以其他模型的草稿为条件时，模型会改进他们的答案，即使是不完美的草稿。
农业部与简单多数投票有何不同？
与投票不同的是，MoA 不仅仅选择一个现有的答案；而是选择一个现有的答案。它会产生一种新的反应，将候选人融合在一起。
为什么提议者模型的多样性在 MoA 中很有价值？
不同的提议者覆盖了更多的领域，为聚合器提供了更丰富的想法来融合和过滤错误。
MoA 方法的主要实际成本是多少？
每一层都会增加更多的 LLM 调用，因此 MoA 需要付出额外的计算和时间来提高答案质量。