|
嘿，大家好！这里是一个专注于AI智能体的频道！ 首先，让我们来聊聊LLM。这些模型通过在海量数据集上预训练，已经展现出了惊人的能力，无论是理解还是生成自然语言，它们都能做得很好。但问题来了，这些模型的规模和训练成本都很高，这让它们在实际应用中有点不切实际。 这时候，MoA登场了！MoA通过利用多个LLM的集体优势，提供了一个创新的解决方案。想象一下，如果每个智能体都能贡献自己的一份力量，那么最终的输出结果将会多么强大！ MoA的结构就像是一个分层的建筑，每一层都有多个LLM智能体。每个智能体都会处理上一层的输出，然后生成更精细的响应。这个过程会一直迭代，直到产生一个最终的、强大的输出。  这种结构的好处在于，LLM之间有一种天然的协作性。研究表明，当LLM能够参考其他模型的输出时，它们会产生更高质量的响应，哪怕这些辅助响应的质量低于模型独立输出的质量。 Together.ai就是MoA的一个典型例子。他们开发的Together MoA在AlpacaEval 2.0上的得分高达65.1%，超过了之前领先的GPT-4o的57.5%。这不仅仅是一个数字的胜利，更是MoA方法在实际应用中的成功证明。  MoA的优势不仅仅在于性能的提升，还在于成本效益和灵活性。通过使用多个开源模型并优化层数和智能体的数量，MoA能够在保持高性能的同时，成本也更加可控。 Together的MOA框架已经开源了~ ，下面是示例代码 importos
fromtogetherimportTogether
os.environ["TOGETHER_API_KEY"]="your_api_key_here"
client=Together(api_key=os.environ.get("TOGETHER_API_KEY"))
importasyncio
fromtogetherimportAsyncTogether
async_client=AsyncTogether(api_key=os.environ.get("TOGETHER_API_KEY"))
user_prompt="WhatisKarmaYogaasperBhagavadGita,VyadhaGita,YogaVasisthamandTripuraRahasya?"
reference_models=[
"Qwen/Qwen2-72B-Instruct",
"Qwen/Qwen1.5-72B-Chat",
"mistralai/Mixtral-8x22B-Instruct-v0.1",
"databricks/dbrx-instruct",
]
aggregator_model="mistralai/Mixtral-8x22B-Instruct-v0.1"
aggregator_system_prompt="""Youhavebeenprovidedwithasetofresponsesfromvariousopen-sourcemodelstothelatestuserquery.Yourtaskistosynthesizetheseresponsesintoasingle,high-qualityresponse.Itiscrucialtocriticallyevaluatetheinformationprovidedintheseresponses,recognizingthatsomeofitmaybebiasedorincorrect.Yourresponseshouldnotsimplyreplicatethegivenanswersbutshouldofferarefined,accurate,andcomprehensivereplytotheinstruction.Ensureyourresponseiswell-structured,coherent,andadherestothehigheststandardsofaccuracyandreliability.
Responsesfrommodels:"""
asyncdefrun_llm(model):
"""RunasingleLLMcallwithareferencemodel."""
response=awaitasync_client.chat.completions.create(
model=model,
messages=[{"role":"user","content":user_prompt}],
temperature=0.7,
max_tokens=512,
)
print(f"Responsefrom{model}:{response.choices[0].message.content}\n")
returnresponse.choices[0].message.content
asyncdefmain():
results=awaitasyncio.gather(*[run_llm(model)formodelinreference_models])
finalStream=client.chat.completions.create(
model=aggregator_model,
messages=[
{"role":"system","content":aggregator_system_prompt},
{"role":"user","content":",".join(str(element)forelementinresults)},
],
stream=True,
)
forchunkinfinalStream:
print(chunk.choices[0].delta.contentor"",end="",flush=True)
#asyncio.run(main())
awaitmain()
| 
