清华大学ChatGLM团队发布AI Agent能力评测工具AgentBench：GPT-4一骑绝尘，chatglm2表现优秀，baichuan-7b排名倒数！
所谓AI Agent就是一个以LLM为核心控制器的一个代理系统。业界开源的项目如AutoGPT、GPT-Engineer和BabyAGI等，都是这样的系统。然而，并不是所有的AI Agent都有很好的表现，其核心还是取决于LLM的水平。尽管LLM已经在许多NLP任务上取得进步，但它们作为代理完成实际任务的能力缺乏系统的评估。清华大学KEG与数据挖掘小组（就是发布ChatGLM模型）发布了一个最新大模型AI Agent能力评测数据集，对当前大模型作为AI Agent的能力做了综合测评，结果十分有趣。
这个AgentBench是评测LLM作为Agent的能力，通过评测LLM在细分任务的得分来确定LLM作为Agent的水平，主要结论就是商业模型表现远超开源模型，更加适合作为Agent来使用，而GPT-4更是一骑绝尘，成为唯一一个超越4分的模型，其它模型连3分都没有！
AI Agent简介
所谓AI Agent就是一个以LLM为核心控制器的一个代理系统。可以通过识别用户的意图，使用可用的工具，完成设定的目标。
也就是说，AI Agent本质是一个控制LLM来解决问题的代理系统。LLM的核心能力是意图理解与文本生成，如果能让LLM学会使用工具，那么LLM本身的能力也将大大拓展。AI Agent系统就是这样一种解决方案。
AI Agent被很多人认为是LLM能力升级的一个重要方式，就连OpenAI的研究人员也认为AI Agent是LLM转为通用问题解决方案的途径之一（参考：大模型驱动的自动代理（AI Agent）：将语言模型的能力变成通用能力的一种方式——来自OpenAI安全团队负责人的解释与观点）。
但是，并不是所有的LLM都能作为AI Agent能高效完成任务，使用工具。业界大多数AI Agent框架都默认使用GPT-4作为核心的LLM，那么，到底各个LLM作为AI Agent能力表现如何？这在目前没有一个合适的评测方式。
清华大学KEG与数据挖掘小组（就是发布ChatGLM模型）发布了一个最新大模型AI Agent能力评测数据集，对当前大模型作为AI Agent的能力做了综合测评，称为AgentBench接下来我们介绍一下这个评测。
AgentBench简介
AgentBench是一个系统的基准，用于评估大语言模型（LLM）作为代理执行实际任务的能力。该团队认为关于LLM的代理能力主要包含以下部分:
- 理解人类意图并执行指令
- 编码能力
- 知识获取和推理
- 策略决策
- 多轮一致性
- 逻辑推理
- 自主探索
- 可解释的推理
只有LLM能完成上述具体任务，才可能承担好AI Agent的工作。为此，AgentBench创建了8个不同的场景，针对上述能力来评估LLM作为Agent的表现，包括：
- 操作系统：评估LLM在Linux系统的bash环境中的操作能力，如文件操作、用户管理等。
- 数据库：考察LLM利用SQL操作给定的数据库完成查询、修改等任务。
- 知识图谱：需要LLM利用给定的工具查询知识图谱，完成复杂的知识获取任务。
- 卡牌游戏：将LLM视为玩家，根据规则和状态进行数字卡牌游戏，评估策略决策能力。
- 横向思维难题：提供难题故事，LLM需要进行问答来推理得到真相，检查横向思维能力。
- 家庭环境：在模拟的家中场景下，LLM需要自主完成日常任务，如搬移物品等。
- 网络购物：按照要求在模拟购物网站上浏览和购买商品，评估自主探索决策能力。
- 网页浏览：在真实网页环境中，根据高级指令实现操作序列，完成网页任务。
很显然，如果LLM可以在上述场景中表现很好，那么作为Agent肯定也会非常棒。
25个主流LLM作为Agent的能力评估结果和重要结论
最终，清华大学评估了25个主流的LLM在上述8个任务上的表现来评估各大模型作为Agent的最终得分。结果如下：
| 模型 | 总评分 | 操作系统 | 数据库 | 知识图谱 | 卡牌游戏 | 横向思维难题 | 家庭环境 | 网络购物 | 网页浏览 |
|---|---|---|---|---|---|---|---|---|---|
| gpt-4 | 4.41 | 36.8 | 33.7 | 52.1 | 50.0 | 17.6 | 78.0 | 58.6 | 22.6 |
| claude | 2.77 | 13.2 | 16.8 | 36.2 | 30.0 | 10.4 | 52.0 | 59.3 | 21.0 |
| gpt-3.5-turbo | 2.55 | 32.6 | 15.0 | 27.2 | 30.0 | 14.9 | 14.0 | 67.2 | 15.7 |
| text-davinci-003 | 2.10 | 22.9 | 16.3 | 30.8 | 15.0 | 5.2 | 20.0 | 61.4 | 15.5 |
| claude-instant | 1.90 | 14.6 | 8.0 | 29.7 | 35.0 | 6.1 | 26.0 | 44.2 | 0.8 |
| text-davinci-002 | 1.46 | 4.9 | 13.7 | 18.9 | 25.0 | 2.3 | 14.0 | 60.1 | 1.1 |
| text-bison-001 | 1.39 | 4.2 | 12.8 | 17.1 | 20.0 | 0.1 | 4.0 | 46.1 | 20.5 |
| chatglm2 | 1.31 | 14.6 | 13.7 | 6.8 | 10.0 | 12.6 | 6.0 | 19.4 | 12.9 |
| openchat-13b | 1.15 | 9.7 | 5.3 | 6.8 | 0.0 | 9.5 | 8.0 | 50.2 | 14.9 |
| wizardlm-30b | 0.83 | 14.6 | 12.7 | 2.3 | 10.0 | 4.5 | 6.0 | 10.6 | 3.1 |
| vicuna-13b | 0.62 | 8.3 | 11.3 | 1.2 | 0.0 | 8.0 | 0.0 | 12.6 | 3.9 |
| wizardlm-13b | 0.59 | 9.7 | 13.0 | 0.4 | 0.0 | 4.1 | 6.0 | 1.2 | 5.8 |
| llama2-13b-chat | 0.55 | 10.4 | 4.5 | 3.1 | 0.0 | 3.7 | 2.0 | 3.1 | 11.9 |
| codegeex2-6b | 0.53 | 12.5 | 6.5 | 6.3 | 0.0 | 1.9 | 0.0 | 11.8 | 5.4 |
| openchat-8192-13b | 0.51 | 10.4 | 2.7 | 0.6 | 10.0 | 0.0 | 4.0 | 6.7 | 7.1 |
| baichuan-13b-chat | 0.36 | 11.8 | 3.0 | 6.3 | 0.0 | 1.3 | 0.0 | 5.7 | 2.3 |
| koala-13b | 0.34 | 2.8 | 5.3 | 0.0 | 0.0 | 2.5 | 0.0 | 6.0 | 8.1 |
| llama2-7b-chat | 0.31 | 10.4 | 2.8 | 1.9 | 0.0 | 2.1 | 0.0 | 2.2 | 3.8 |
| chatglm-6b | 0.31 | 4.9 | 0.3 | 0.0 | 0.0 | 6.7 | 0.0 | 0.5 | 4.9 |
| vicuna-7b | 0.24 | 6.2 | 3.3 | 0.0 | 0.0 | 3.1 | 0.0 | 6.4 | 0.2 |
| internlm-chat-7b | 0.23 | 3.5 | 6.3 | 0.0 | 0.0 | 3.4 | 0.0 | 0.0 | 0.2 |
| baichuan-7b | 0.22 | 4.2 | 0.0 | 0.5 | 0.0 | 2.3 | 0.0 | 2.8 | 5.8 |
| wizardcoder-15b | 0.21 | 3.5 | 0.0 | 2.8 | 0.0 | 1.3 | 0.0 | 0.0 | 6.7 |
| dolly-v2-12b | 0.15 | 0.0 | 0.0 | 0.0 | 0.0 | 3.4 | 0.0 | 0.4 | 4.4 |
| oasst-sft-4-pythia-12b | 0.07 | 2.8 | 0.0 | 0.0 | 0.0 | 1.5 | 0.0 | 0.0 | 0.3 |
从上面的评测结果，我们也可以看出几个非常重要的结论：
- 商业顶级模型（如GPT-4）展现出在复杂环境中完成代理任务的强大能力，它们能够理解指令并进行多轮交互。这显示了LLM作为代理的潜力。
- 但是，目前开源模型与商业模型之间还存在显著的差距，开源模型在AgentBench上普遍表现较弱。这提示开源LLM的代理能力仍有提升空间。
- 不同环境有不同的挑战，如操作系统和数据库考察编码能力，知识图谱需要复杂推理，网页浏览需要处理庞大inputs。不同模型之间也存在明显的优劣。
- 一些共性问题影响了当前模型的表现，如多轮一致性、动作有效性等。这些也是未来的研究方向。
- 代码训练确实能增强编程相关环境的表现，但可能以牺牲其他能力为代价。模型的训练方式需要针对目标任务进行优化。
- 国产模型中，ChatGLM2-6B的综合得分最高，也是开源模型最高得分，但也低于谷歌的模型（text-bison-001）
- 开源模型大多数综合得分不足1分，而GPT-4的得分则超过4分，达到4.41分！ChatGLM-6B第一代与BaiChuan-7B的表现都很差，
上述结论都是基于表的数据分析得到，例如，通过对两个规模相近的模型chatglm2和codegeex2-6b在AgentBench上的表现，可以看出代码训练的价值。其中，codegeex2-6b经过代码训练，在操作系统和数据库两个编程相关环境上明显优于chatglm2。但在需要逻辑推理的横向思维难题上，codegeex2-6b的表现下降。
下图展示了几个模型的对比结果：
GPT-4几乎像全能战士一样，超越所有模型！
LLM作为Agent的总结
尽管这篇论文的评测结果可能还不够完善，但是大部分的结论应该还是比较可靠的。虽然开源模型的进步很多，但是与商业模型相比还是有很大的差距。尤其是在完成复杂的任务时候这种差距更加明显。
AgentBench论文：AgentBench: Evaluating LLMs as Agents
论文地址：https://arxiv.org/pdf/2308.03688.pdf
AgentBench的GitHub地址：https://github.com/THUDM/AgentBench
关于AI Agent的一些资源：
大模型驱动的自动代理（AI Agent）：将语言模型的能力变成通用能力的一种方式——来自OpenAI安全团队负责人的解释与观点：https://www.datalearner.com/blog/1051689842100145
预训练模型编程框架Transformers迎来重磅更新：Transformers Agents发布，一个完全的多模态AI Agent！：https://www.datalearner.com/blog/blog_list/tag/AIAgent
MetaGPT技术全解析：另一个AutoGPT，一个可以替代小型软件开发团队的配备齐全的软件开发GPT，产品经理、系统设计、代码实现一条龙：https://www.datalearner.com/blog/1051691379773681
AutoGPT是如何让GPT-4自动帮你完成任务的——最火的AutoGPT原理解析！:https://www.datalearner.com/blog/1051681400812596
欢迎大家关注DataLearner官方微信，接受最新的AI技术推送
