Meta開源用于數(shù)學(xué)等復(fù)雜推理AI Agent—HUSKY
Meta、華盛頓大學(xué)和阿倫AI實驗室的研究人員聯(lián)合開源了，專用于數(shù)學(xué)、表格等復(fù)雜推理的AI Agent—HUSKY。
與傳統(tǒng)AI Agent不同的是，HUSKY采用了一個統(tǒng)一的行動空間，無論是數(shù)值計算、表格分析還是基于知識的推理，都能夠通過一系列預(yù)定義的自動化行動來完成。這種統(tǒng)一性極大提升了AI Agent的泛化能力，使其能夠跨領(lǐng)域解決多種難題。
此外，HUSKY還使用了一種迭代推理的方法，通過在行動生成和執(zhí)行之間不斷迭代，可以像人類那樣分層次地拆解、解決難題，在處理超復(fù)雜任務(wù)時非常高效。
開源地址：https://github.com/agent-husky/Husky-v1
論文地址：https://arxiv.org/abs/2406.06469
行動生成相當(dāng)于HUSKY的“大腦”。在這一階段，行動生成器作為核心組件，承擔(dān)著預(yù)測任務(wù)解決過程中下一步行動的部署計劃。它接收輸入的問題和已有的解決方案歷史，通過精準(zhǔn)的預(yù)測，確定接下來需要采取的步驟和相應(yīng)的工具。
在預(yù)測過程中主要借鑒了GPT-4使用的"few-shot prompting"技術(shù)，無需額外訓(xùn)練就能幫助HUSKY能夠通過少量示例快速學(xué)習(xí)并適應(yīng)新任務(wù)。
完成行動部署后，HUSKY便開始進入執(zhí)行階段，通過一些特定的專家模型來執(zhí)行具體任務(wù)。這些專家模型，包括代碼生成器、數(shù)學(xué)推理器、查詢生成器和常識推理器，分別對應(yīng)不同的業(yè)務(wù)需求，相當(dāng)于HUSKY的工具箱。
例如，當(dāng)面臨數(shù)值計算任務(wù)時，代碼生成器將生成代碼片段，由代碼解釋器執(zhí)行；而在需要檢索信息時，查詢生成器則生成搜索查詢，由搜索引擎執(zhí)行來獲取所需知識；需要執(zhí)行復(fù)雜的微積分、幾何、代數(shù)等復(fù)雜難題時，數(shù)學(xué)推理器便開始執(zhí)行。
HUSKY不僅體現(xiàn)在單個模塊的能力上，更在于模塊間的協(xié)調(diào)與合作。行動生成器需要理解問題需求，預(yù)測出合理的行動和工具使用順序；而專家模型則需精確執(zhí)行這些行動，并將結(jié)果反饋給行動生成器。這種緊密的協(xié)作是HUSKY解決復(fù)雜問題的關(guān)鍵。
也就是說，HUSKY的行動生成與執(zhí)行是一個不斷迭代、反饋的閉環(huán)，在執(zhí)行的過程中協(xié)同工作，不斷生成和執(zhí)行行動，同時更新解決方案狀態(tài)。
這一迭代過程持續(xù)進行，直到行動生成器在解決方案歷史中識別出最終答案，HUSKY便達(dá)到終端狀態(tài)并返回最終結(jié)果。
研究人員對HUSKY在不同類型推理任務(wù)上的進行綜合測試，包括數(shù)值推理、表格推理、知識基礎(chǔ)推理以及混合工具推理任務(wù)等。
結(jié)果顯示，在數(shù)值推理任務(wù)中，HUSKY展現(xiàn)出了卓越的推理和泛化能力，成功處理了從基礎(chǔ)數(shù)學(xué)問題到高難度的競賽數(shù)學(xué)題，涵蓋了GSM-8K、MATH、Google DeepMind Mathematics和MathQA等數(shù)據(jù)集。
在表格推理任務(wù)中，HUSKY同樣表現(xiàn)出色。成功處理了TabMWP、FinQA、TAT-QA和MultimodalQA等數(shù)據(jù)集。在HotpotQA、CWQ、Musique、Bamboolge和StrategyQA等數(shù)據(jù)集上，HUSKY同樣展現(xiàn)了卓越的數(shù)據(jù)檢索和查詢能力。
本文轉(zhuǎn)自 AIGC開放社區(qū) ，作者：AIGC開放社區(qū)
