|
Agent Lumos 是一个为开源语言代理（Language Agents）设计的统一和模块化训练框架。它特别针对复杂交互任务，旨在解决闭源代理（如基于GPT-4/3.5的代理）在可负担性、透明度和可复制性方面的不足。Lumos 框架包括三个主要模块：规划（Planning）、接地（Grounding）和执行（Execution），每个模块都旨在处理复杂任务的不同方面。- 规划模块（Planning Module）：负责将复杂任务分解为一系列高层次的、与工具无关的子目标（subgoals），这些子目标用自然语言表达。
- 接地模块（Grounding Module）：将规划模块生成的高层次子目标转化为可以执行的低层次动作。这些动作可以通过执行模块中的各种工具来执行。
- 执行模块（Execution Module）：执行接地模块生成的动作，并获取执行结果。它部署了各种现成的工具，包括API、神经模型和虚拟模拟器。
为了通过代理模块来处理任务，Lumos 提出了两种交互公式化方法：Lumos-OnePass（Lumos-O）和Lumos-Iterative（Lumos-I）。- Lumos-OnePass (Lumos-O)：是一种高效的方法，可以在一次推理调用中生成所有子目标和接地动作，以一种单次传递的方式完成任务。
- Lumos-Iterative (Lumos-I)：是一种迭代方法，每次迭代生成一个子目标及其对应的可执行动作。这种方法可以根据先前的执行结果和环境更新灵活地规划。
Lumos 使用统一的数据格式，涵盖了多种任务类型，使其能够方便地支持一系列交互任务，包括但不限于问答、数学、编码、网络浏览、多模态推理和文本游戏。为了训练Lumos，研究者们收集了来自各种复杂交互任务的大规模、统一和高质量的训练注释，这些注释来自于现有基准测试中的真理性推理步骤。
Lumos 在多个数据集上展示了其关键优势：它在各种任务类型中的表现超越了多个更大的开源代理，甚至在问答和网络任务中超越了基于GPT的代理；它通过链式思维和非模块化集成训练产生了优于开源代理的性能；并且能够有效地泛化到未见过的任务，在WebShop等任务上超越了33B规模的代理和特定领域的代理。
Lumos 的设计和实现为开源语言代理的发展提供了新的方向，使其能够更好地适应和解决各种复杂的交互式任务。通过这种方法，Lumos 不仅推动了开源语言模型的性能边界，也为未来的研究和应用提供了强大的支持。
|
