Meta開源用于數學等復雜推理AI Agent—HUSKY
Meta、華盛頓大學和阿倫AI實驗室的研究人員聯合開源了，專用于數學、表格等復雜推理的AI Agent—HUSKY。
與傳統AI Agent不同的是，HUSKY采用了一個統一的行動空間，無論是數值計算、表格分析還是基于知識的推理，都能夠通過一系列預定義的自動化行動來完成。這種統一性極大提升了AI Agent的泛化能力，使其能夠跨領域解決多種難題。
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，在處理超復雜任務時非常高效。
開源地址：https://github.com/agent-husky/Husky-v1
論文地址：https://arxiv.org/abs/2406.06469
行動生成相當于HUSKY的“大腦”。在這一階段，行動生成器作為核心組件，承擔著預測任務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，通過精準的預測，確定接下來需要采取的步驟和相應的工具。
在預測過程中主要借鑒了GPT-4使用的"few-shot prompting"技術，無需額外訓練就能幫助HUSKY能夠通過少量示例快速學習并適應新任務。
完成行動部署后，HUSKY便開始進入執行階段，通過一些特定的專家模型來執行具體任務。這些專家模型，包括代碼生成器、數學推理器、查詢生成器和常識推理器，分別對應不同的業務需求，相當于HUSKY的工具箱。
例如，當面臨數值計算任務時，代碼生成器將生成代碼片段，由代碼解釋器執行；而在需要檢索信息時，查詢生成器則生成搜索查詢，由搜索引擎執行來獲取所需知識；需要執行復雜的微積分、幾何、代數等復雜難題時，數學推理器便開始執行。
HUSKY不僅體現在單個模塊的能力上，更在于模塊間的協調與合作。行動生成器需要理解問題需求，預測出合理的行動和工具使用順序；而專家模型則需精確執行這些行動，并將結果反饋給行動生成器。這種緊密的協作是HUSKY解決復雜問題的關鍵。
也就是說，HUSKY的行動生成與執行是一個不斷迭代、反饋的閉環，在執行的過程中協同工作，不斷生成和執行行動，同時更新解決方案狀態。
這一迭代過程持續進行，直到行動生成器在解決方案歷史中識別出最終答案，HUSKY便達到終端狀態并返回最終結果。
研究人員對HUSKY在不同類型推理任務上的進行綜合測試，包括數值推理、表格推理、知識基礎推理以及混合工具推理任務等。
結果顯示，在數值推理任務中，HUSKY展現出了卓越的推理和泛化能力，成功處理了從基礎數學問題到高難度的競賽數學題，涵蓋了GSM-8K、MATH、Google DeepMind Mathematics和MathQA等數據集。
在表格推理任務中，HUSKY同樣表現出色。成功處理了TabMWP、FinQA、TAT-QA和MultimodalQA等數據集。在HotpotQA、CWQ、Musique、Bamboolge和StrategyQA等數據集上，HUSKY同樣展現了卓越的數據檢索和查詢能力。
本文轉自 AIGC開放社區 ，作者：AIGC開放社區
