Périphériques technologiques
IA
Les agents divisent le travail et collaborent comme des personnes, et peuvent également échanger des informations via une « discussion de groupe »
Les agents divisent le travail et collaborent comme des personnes, et peuvent également échanger des informations via une « discussion de groupe »
Les agents intelligents doivent aussi disposer d'un "manuel de spécifications" !
Une recherche appelée MetaGPT améliore considérablement les performances des agents en divisant clairement les rôles des agents et en exigeant que plusieurs agents adoptent un « format de communication » unifié et standardisé en collaboration.
Actuellement, cette recherche a récolté 33,6 000 étoiles sur GitHub et a été incluse en tant qu'article oral lors de la meilleure conférence sur l'apprentissage profond ICLR 2024.
En général, MetaGPT imite la division humaine du travail et la collaboration, en codant les procédures opérationnelles standard de diverses tâches dans un « manuel de spécifications » pour les agents, et les agents avec différents rôles sont responsables de différentes tâches professionnelles.
Par exemple, le rôle de chef de produit peut utiliser des outils de recherche de réseau, tandis que le rôle d'ingénieur peut exécuter du code :
De cette manière, la collaboration multi-agents accomplit les tâches.
Les chercheurs ont mis en place un « groupe de partage de messages » pour les agents, et les agents peuvent librement consulter les messages pertinents envoyés par d'autres agents.
Après avoir testé en utilisant cette méthode, MetaGPT a obtenu respectivement 85,9 % et 87,7 % de nouveaux SOTA sur les ensembles de données publics HumanEval et MBPP pour les tâches de complétion de code.
Ce travail est désormais open source et a attiré l'attention de nombreux internautes sur Internet :
À quoi ressemble MetaGPT ?
Cette recherche a été proposée conjointement par l'équipe DeepWisdom et des chercheurs du KAUST AI Center, de l'Université de Xiamen, du CUHK(SZ), de l'Université de Nanjing, de l'UPenn, de l'UCB et de nombreuses autres universités et institutions.
Avec l'amélioration continue des capacités des grands modèles, le monde universitaire et l'industrie suscitent un intérêt croissant pour l'utilisation de grands agents basés sur des modèles pour résoudre diverses tâches.
Il convient de noter que la recherche sur l'utilisation de plusieurs agents pour collaborer afin de résoudre des problèmes dans des domaines spécifiques en est encore à ses débuts. Les recherches existantes se concentrent principalement sur l’amélioration de la compréhension des tâches et des capacités de prise de décision par le biais de mécanismes de jeu de rôle et de paramètres de topologie de communication. Malgré quelques progrès, ces méthodes reposent toujours sur des formes de dialogue direct et manquent de spécifications et de contraintes standards sur le comportement des agents.
Certains travaux récents ont également souligné que les systèmes multi-agents basés sur le dialogue peuvent être confrontés à des problèmes tels que l'incohérence des informations, l'ambiguïté et d'éventuelles répétitions invalides et boucles infinies.
En revanche, les procédures opérationnelles standard (SOP) dans les flux de travail humains définissent non seulement clairement la division du travail et la topologie des rôles participants, mais établissent également des spécifications standard pour les résultats de sortie du rôle.
La recherche montre que des SOP clairement définies peuvent améliorer la cohérence et la précision de l'exécution des tâches, garantissant que les résultats finaux répondent aux normes de qualité requises. Par conséquent, pour résoudre les défis de la collaboration multi-agents, les chercheurs ont conçu MetaGPT, un vaste cadre de métaprogrammation d’agents basé sur un modèle.
MetaGPT exige que les agents participent à une collaboration en tant qu'experts et génèrent des résultats structurés selon les besoins, tels que des documents d'exigences de haute qualité, des diagrammes de conception architecturale, des organigrammes, etc.
Le résultat structuré est une chaîne de pensée de niveau supérieur (Chaîne de pensée) pour un seul agent, et un contexte (Contexte) avec une sémantique claire et des objectifs clairs pour les rôles en aval.
Dans le cadre de MetaGPT, les chercheurs alignent les concepts des SOP sur la spécialisation des rôles, la conception de protocoles de communication et la conception itérative de feedback exécutable.
Spécialisation des rôles
Avec des rôles clairement définis, un travail complexe peut être décomposé en tâches plus petites et plus spécifiques.
Comme le montre la figure ci-dessous, les rôles des différentes professions sont initialisés avec différents objectifs et contraintes, ainsi que différentes compétences professionnelles. Par exemple, le rôle de chef de produit peut utiliser des outils de recherche sur le Web, tandis que le rôle d'ingénieur peut exécuter du code. Dans le même temps, chaque personnage suit par défaut le modèle de comportement ReAct.
La spécialisation des rôles permet à chaque agent de se concentrer sur des tâches spécifiques au sein de son domaine, améliorant ainsi la qualité de sortie des grands modèles.
Pour le développement de logiciels, grâce au flux des rôles, cette division du travail complète plus habilement l'alignement du langage naturel au langage de programmation. L’expérience d’ablation de personnages présentée dans l’article prouve en outre l’effet de cette partie.
Conception de protocoles de communication
Dans les applications pratiques, bien que le langage naturel ait une sémantique riche, en raison de ses caractéristiques non structurées, une distorsion des informations et même une perte de contenu important se produisent souvent pendant le processus de transmission du message.
Pour résoudre ce problème, l'auteur a contraint l'agent à participer à une collaboration avec des sorties structurées (comprenant des documents et des diagrammes) pour améliorer la clarté et l'exhaustivité des informations. Pour vérifier cette conception, les auteurs ont conçu une variété de tâches de développement logiciel pour souligner l'importance de la production structurée en collaboration à travers l'exécutabilité du code généré et les indicateurs de productivité.
Afin d'améliorer l'efficacité de la communication lors de la collaboration multi-agents, MetaGPT introduit un mécanisme de publication-abonnement(Publish-Subscribe Mechanism) basé sur le partage de messages.
Comme le montre la figure ci-dessus, le pool de messages partagés permet d'échanger des messages directement, et tout agent peut accéder de manière transparente aux messages d'autres agents sans demander ni attendre de réponse. Le mécanisme d'abonnement rend l'agent plus enclin à recevoir des informations liées à ses propres tâches et à éviter d'être distrait par des détails non pertinents. Dans le même temps, chaque agent peut récupérer directement les informations requises du pool de messages partagé pour former une mémoire propre.
Commentaires exécutables
L'agent intelligent s'auto-optimise et se met à jour activement en fonction des commentaires environnementaux, qui sont une manifestation de la conscience autonome de l'agent intelligent.
Dans les tâches de développement logiciel, MetaGPT conçoit un mécanisme de retour d'information exécutable pour les agents d'ingénieurs afin d'optimiser automatiquement la qualité du code.
Plus précisément, les ingénieurs écrivent et exécutent les cas de tests unitaires correspondants, prennent des décisions et s'auto-invitent de manière récursive à travers les résultats d'exécution observés pour obtenir un débogage automatique. Ce processus itératif de retour de conception-test-test se poursuit jusqu'à ce que le test unitaire réussisse ou que le nombre maximum de tentatives soit atteint.
Plusieurs benchmarks testant le nouveau SOTA
En termes de capacités de génération de code, les chercheurs ont utilisé deux ensembles de données de référence publiques : HumanEval et MBPP, et ont rapporté l'indicateur Pass@1.
En outre, ils ont également collecté l'ensemble de données SoftwareDev couvrant 70 tâches typiques de développement logiciel (telles que les mini-jeux, la visualisation de données, le traitement d'images, etc.) , et effectué une comparaison de plusieurs frameworks open source pour les agents, et Nous avons comparé plusieurs logiciels. Une analyse statistique et une description qualitative ont été menées sur l'exécutabilité et l'efficacité de la production des tâches de développement.
Comme le montre la figure ci-dessous, MetaGPT surpasse les méthodes précédentes dans les benchmarks HumanEval et MBPP, atteignant respectivement 85,9 % et 87,7 %. Par rapport aux résultats de GPT-4, MetaGPT présente une amélioration relative de 28,2 % sur l'ensemble de données HumanEval, et l'ajout d'un mécanisme de rétroaction exécutable a amélioré respectivement de 4,2 % et 5,4 % sur HumanEval et MBPP.
Sur l'ensemble de données exigeant SoftwareDev, MetaGPT atteint un score d'exécutabilité de 3,75, très proche de 4, tout en nécessitant un temps d'exécution plus court (503 secondes) ; nombre de lignes de code générées. Par rapport au framework de base, il a augmenté de 2,24 fois, tandis que le nombre de jetons consommés par unité de ligne de code a diminué de 50 %.
Ces résultats mettent en évidence les améliorations d'efficacité apportées par les SOP lors de la collaboration multi-agents.
La haute exécutabilité de MetaGPT et son temps d'exécution relativement court dans les tâches de développement logiciel démontrent son caractère pratique et son efficacité dans les applications du monde réel.
En se concentrant sur le domaine du développement logiciel, les chercheurs proposent une comparaison qualitative des capacités de différents frameworks d'agents.
Ils ont découvert que MetaGPT a non seulement la capacité de générer des fichiers dans plusieurs modes, mais qu'il est également le seul framework open source parmi de nombreux frameworks actuels qui couvre complètement le processus de développement logiciel dans le monde réel.
En général, MetaGPT est un nouveau framework multi-agent qui combine des idées de méta-programmation et intègre des SOP pour améliorer les capacités des grands modèles dans la collaboration multi-agent.
Grâce à la spécialisation des rôles, à la gestion des flux de travail et à un mécanisme de messagerie flexible, il devient un cadre multi-agents doté d'une grande polyvalence et portabilité.
Combiné à un mécanisme de rétroaction itératif, MetaGPT a atteint les performances SOTA sur plusieurs tests de référence.
Les SOP combinées à la pratique sociale humaine inspirent les futures recherches et explorations des sociétés multi-agents, et peuvent également être considérées comme une première tentative de régulation des cadres multi-agents basés sur de grands modèles.
Lien papier : https://arxiv.org/abs/2308.00352
Lien code : https://github.com/geekan/MetaGPT
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Open source! Au-delà de ZoeDepth ! DepthFM : estimation rapide et précise de la profondeur monoculaire !
Apr 03, 2024 pm 12:04 PM
0. À quoi sert cet article ? Nous proposons DepthFM : un modèle d'estimation de profondeur monoculaire génératif de pointe, polyvalent et rapide. En plus des tâches traditionnelles d'estimation de la profondeur, DepthFM démontre également des capacités de pointe dans les tâches en aval telles que l'inpainting en profondeur. DepthFM est efficace et peut synthétiser des cartes de profondeur en quelques étapes d'inférence. Lisons ce travail ensemble ~ 1. Titre des informations sur l'article : DepthFM : FastMonocularDepthEstimationwithFlowMatching Auteur : MingGui, JohannesS.Fischer, UlrichPrestel, PingchuanMa, Dmytr
Le modèle MoE open source le plus puissant au monde est ici, avec des capacités chinoises comparables à celles du GPT-4, et le prix ne représente que près d'un pour cent de celui du GPT-4-Turbo.
May 07, 2024 pm 04:13 PM
Imaginez un modèle d'intelligence artificielle qui non seulement a la capacité de surpasser l'informatique traditionnelle, mais qui permet également d'obtenir des performances plus efficaces à moindre coût. Ce n'est pas de la science-fiction, DeepSeek-V2[1], le modèle MoE open source le plus puissant au monde est ici. DeepSeek-V2 est un puissant mélange de modèle de langage d'experts (MoE) présentant les caractéristiques d'une formation économique et d'une inférence efficace. Il est constitué de 236B paramètres, dont 21B servent à activer chaque marqueur. Par rapport à DeepSeek67B, DeepSeek-V2 offre des performances plus élevées, tout en économisant 42,5 % des coûts de formation, en réduisant le cache KV de 93,3 % et en augmentant le débit de génération maximal à 5,76 fois. DeepSeek est une entreprise explorant l'intelligence artificielle générale
Bonjour, Atlas électrique ! Le robot Boston Dynamics revient à la vie, des mouvements étranges à 180 degrés effraient Musk
Apr 18, 2024 pm 07:58 PM
Boston Dynamics Atlas entre officiellement dans l’ère des robots électriques ! Hier, l'Atlas hydraulique s'est retiré "en larmes" de la scène de l'histoire. Aujourd'hui, Boston Dynamics a annoncé que l'Atlas électrique était au travail. Il semble que dans le domaine des robots humanoïdes commerciaux, Boston Dynamics soit déterminé à concurrencer Tesla. Après la sortie de la nouvelle vidéo, elle a déjà été visionnée par plus d’un million de personnes en seulement dix heures. Les personnes âgées partent et de nouveaux rôles apparaissent. C'est une nécessité historique. Il ne fait aucun doute que cette année est l’année explosive des robots humanoïdes. Les internautes ont commenté : Les progrès des robots ont fait ressembler la cérémonie d'ouverture de cette année à des êtres humains, et le degré de liberté est bien plus grand que celui des humains. Mais n'est-ce vraiment pas un film d'horreur ? Au début de la vidéo, Atlas est allongé calmement sur le sol, apparemment sur le dos. Ce qui suit est à couper le souffle
L'IA bouleverse la recherche mathématique ! Le lauréat de la médaille Fields et mathématicien sino-américain a dirigé 11 articles les mieux classés | Aimé par Terence Tao
Apr 09, 2024 am 11:52 AM
L’IA change effectivement les mathématiques. Récemment, Tao Zhexuan, qui a prêté une attention particulière à cette question, a transmis le dernier numéro du « Bulletin de l'American Mathematical Society » (Bulletin de l'American Mathematical Society). En se concentrant sur le thème « Les machines changeront-elles les mathématiques ? », de nombreux mathématiciens ont exprimé leurs opinions. L'ensemble du processus a été plein d'étincelles, intense et passionnant. L'auteur dispose d'une équipe solide, comprenant Akshay Venkatesh, lauréat de la médaille Fields, le mathématicien chinois Zheng Lejun, l'informaticien de l'Université de New York Ernest Davis et de nombreux autres universitaires bien connus du secteur. Le monde de l’IA a radicalement changé. Vous savez, bon nombre de ces articles ont été soumis il y a un an.
KAN, qui remplace MLP, a été étendu à la convolution par des projets open source
Jun 01, 2024 pm 10:03 PM
Plus tôt ce mois-ci, des chercheurs du MIT et d'autres institutions ont proposé une alternative très prometteuse au MLP – KAN. KAN surpasse MLP en termes de précision et d’interprétabilité. Et il peut surpasser le MLP fonctionnant avec un plus grand nombre de paramètres avec un très petit nombre de paramètres. Par exemple, les auteurs ont déclaré avoir utilisé KAN pour reproduire les résultats de DeepMind avec un réseau plus petit et un degré d'automatisation plus élevé. Plus précisément, le MLP de DeepMind compte environ 300 000 paramètres, tandis que le KAN n'en compte qu'environ 200. KAN a une base mathématique solide comme MLP est basé sur le théorème d'approximation universelle, tandis que KAN est basé sur le théorème de représentation de Kolmogorov-Arnold. Comme le montre la figure ci-dessous, KAN a
La version Kuaishou de Sora 'Ke Ling' est ouverte aux tests : génère plus de 120 s de vidéo, comprend mieux la physique et peut modéliser avec précision des mouvements complexes
Jun 11, 2024 am 09:51 AM
Quoi? Zootopie est-elle concrétisée par l’IA domestique ? Avec la vidéo est exposé un nouveau modèle de génération vidéo domestique à grande échelle appelé « Keling ». Sora utilise une voie technique similaire et combine un certain nombre d'innovations technologiques auto-développées pour produire des vidéos qui comportent non seulement des mouvements larges et raisonnables, mais qui simulent également les caractéristiques du monde physique et possèdent de fortes capacités de combinaison conceptuelle et d'imagination. Selon les données, Keling prend en charge la génération de vidéos ultra-longues allant jusqu'à 2 minutes à 30 ips, avec des résolutions allant jusqu'à 1080p, et prend en charge plusieurs formats d'image. Un autre point important est que Keling n'est pas une démo ou une démonstration de résultats vidéo publiée par le laboratoire, mais une application au niveau produit lancée par Kuaishou, un acteur leader dans le domaine de la vidéo courte. De plus, l'objectif principal est d'être pragmatique, de ne pas faire de chèques en blanc et de se mettre en ligne dès sa sortie. Le grand modèle de Ke Ling est déjà sorti à Kuaiying.
La vitalité de la super intelligence s'éveille ! Mais avec l'arrivée de l'IA qui se met à jour automatiquement, les mères n'ont plus à se soucier des goulots d'étranglement des données.
Apr 29, 2024 pm 06:55 PM
Je pleure à mort. Le monde construit à la folie de grands modèles. Les données sur Internet ne suffisent pas du tout. Le modèle de formation ressemble à « The Hunger Games », et les chercheurs en IA du monde entier se demandent comment nourrir ces personnes avides de données. Ce problème est particulièrement important dans les tâches multimodales. À une époque où rien ne pouvait être fait, une équipe de start-up du département de l'Université Renmin de Chine a utilisé son propre nouveau modèle pour devenir la première en Chine à faire de « l'auto-alimentation des données générées par le modèle » une réalité. De plus, il s’agit d’une approche à deux volets, du côté compréhension et du côté génération, les deux côtés peuvent générer de nouvelles données multimodales de haute qualité et fournir un retour de données au modèle lui-même. Qu'est-ce qu'un modèle ? Awaker 1.0, un grand modèle multimodal qui vient d'apparaître sur le Forum Zhongguancun. Qui est l'équipe ? Moteur Sophon. Fondé par Gao Yizhao, doctorant à la Hillhouse School of Artificial Intelligence de l’Université Renmin.
L'US Air Force présente son premier avion de combat IA de grande envergure ! Le ministre a personnellement effectué l'essai routier sans intervenir pendant tout le processus, et 100 000 lignes de code ont été testées 21 fois.
May 07, 2024 pm 05:00 PM
Récemment, le milieu militaire a été submergé par la nouvelle : les avions de combat militaires américains peuvent désormais mener des combats aériens entièrement automatiques grâce à l'IA. Oui, tout récemment, l’avion de combat IA de l’armée américaine a été rendu public pour la première fois, dévoilant ainsi son mystère. Le nom complet de ce chasseur est Variable Stability Simulator Test Aircraft (VISTA). Il a été personnellement piloté par le secrétaire de l'US Air Force pour simuler une bataille aérienne en tête-à-tête. Le 2 mai, le secrétaire de l'US Air Force, Frank Kendall, a décollé à bord d'un X-62AVISTA à la base aérienne d'Edwards. Notez que pendant le vol d'une heure, toutes les actions de vol ont été effectuées de manière autonome par l'IA ! Kendall a déclaré : "Au cours des dernières décennies, nous avons réfléchi au potentiel illimité du combat air-air autonome, mais cela a toujours semblé hors de portée." Mais maintenant,
