Customize Consent Preferences

We use cookies to help you navigate efficiently and perform certain functions. You will find detailed information about all cookies under each consent category below.

The cookies that are categorized as "Necessary" are stored on your browser as they are essential for enabling the basic functionalities of the site. ... 

Always Active

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

No cookies to display.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

No cookies to display.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

No cookies to display.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

No cookies to display.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

No cookies to display.

0

通用工具智能体的新纪元:GTA 基准测试的诞生

引言

人工智能正以前所未有的速度发展,大型语言模型(LLMs)在文本生成、翻译、问答等领域展现出惊人的能力。然而,如何评估LLMs在真实世界场景中调用工具的能力,一直是研究者面临的挑战。近期,上海交通大学和上海AI实验室联合推出的 GTA(a benchmark for General Tool Agents) 基准测试,为解决这一问题提供了新的思路。

深入研究

GTA 基准测试旨在评估LLMs在真实世界场景中调用工具的能力,其核心在于构建一个全面、细粒度的评估框架,有效衡量LLMs在复杂场景下的工具使用能力。

GTA 的主要特点:

  • 真实用户查询: GTA 包含 229 个人类编写的问题,这些问题具有简单的现实世界目标,但解决步骤和所需工具是隐含的,要求LLM基于推理选择合适的工具、规划操作步骤。
  • 真实部署的工具: GTA 提供一个评估平台,部署涵盖感知、操作、逻辑和创造力四大类别的 14 种工具,评估代理的实际任务执行性能。
  • 多模态输入输出: GTA 引入空间场景、网页截图、表格、代码片段、手写/打印材料等多模态输入,要求模型处理丰富的上下文信息,给出文本或图像输出。
  • 细粒度评估: GTA 设计细粒度的评估指标,包括指令遵循准确率(InstAcc)、工具选择准确率(ToolAcc)、参数预测准确率(ArgAcc)和答案总结准确率(SummAcc),及最终答案准确率(AnsAcc)。
  • 模型评测: GTA 在逐步模式(step-by-step mode)和端到端模式(end-to-end mode)下评估语言模型,提供对模型工具使用能力的全面评估。

GTA 的技术原理:

  • 数据集构建: GTA 的数据集构建包括问题构建和工具链构建两个步骤。问题由专家设计样例和标注文档,由标注人员基于样例设计更多的问题。工具链由标注人员手动调用部署好的工具构建,确保每个问题都能用提供的工具解决。
  • 工具调用: GTA 用 ReAct 风格的提示模板,让LLM用特定的格式调用工具,处理工具返回的结果。模板支持LLM进行推理和规划,决定何时及如何调用工具。
  • 多模态处理: GTA 要求LLM处理和理解多模态输入,包括图像、文本等,要求模型具备跨模态的理解和推理能力。
  • 细粒度评估指标: GTA 设计的评估指标覆盖工具调用的整个过程,从LLM的工具调用过程到执行结果,提供对模型性能的全面评估。
  • 模型比较: 基于比较不同模型在 GTA 上的表现,揭示现有模型在处理真实世界问题时面临的工具使用瓶颈,为未来的通用工具智能体提供改进方向。

GTA 的应用场景:

  • 智能助理开发: GTA 评估和训练智能助理,让其更好地理解和执行复杂的用户请求,涉及多步骤和多种工具的调用。
  • 多模态交互: 在需要处理图像、文本和其他多媒体内容的场景中,GTA 帮助模型学习如何结合多种输入类型解决问题。
  • 自动化客户服务: GTA 用在开发自动解决客户问题的系统,系统需要调用不同的工具和资源提供准确的答案和解决方案。
  • 教育和培训: GTA 作为教育工具,帮助学生理解如何设计和实现复杂的任务,任务需要多步骤推理和工具使用。
  • 研究和开发: 研究人员用 GTA 测试和比较不同的 LLM,探索工具使用能力的新方法,推动 AI 技术的发展。

结论

GTA 基准测试的推出,标志着通用工具智能体研究进入新的阶段。它为评估LLMs在真实世界场景中的工具使用能力提供了新的标准,也为推动 AI 技术的发展提供了新的方向。未来,随着 GTA 的不断完善和发展,我们将看到更多更强大的通用工具智能体出现,为人类社会带来更大的福祉。

参考文献


>>> Read more <<<

Views: 0

0

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注