加载中...
随着ChatGPT的火爆以及MetaAI开源了LLaMA，各家公司好像一夜之间都有了各种ChatGPT模型的研发实力。而针对不同任务和应用构建的LLM更是层出不穷。那么，如何选择合适的模型完成特定的任务，甚至是使用多个模型完成一个复杂的任务似乎仍然很困难。为此，浙江大学与微软亚洲研究院联合发布了一个大模型写作系统HuggingGPT，可以根据输入的任务帮我们选择合适的大模型解决！
HuggingGPT利用ChatGPT读取HuggingFace上所有的模型接口，然后根据你的输入分解成不同任务交给不同的模型执行。这意味着你可以毫不费力的拥有完整的多模态能力，图片、文本、视频、语音甚至是3D任务等，都可以完全由文本输入后与各种模型交互产生最终结果，也就是可以做出任意的text-to-image-to-video-to-text-to-speech！绝对的好idea啊！
本文主要介绍一下这个HuggingGPT！
Follow DataLearner WeChat for the latest AI updates
尽管大模型取得了如此巨大的成功，但当前的LLM技术仍然存在缺陷，面临着建立AGI系统的一些紧迫挑战。
为了处理复杂的人工智能任务，LLMs应该能够与外部模型协调以利用它们的能力。因此，关键点在于如何选择合适的中间件来桥接LLMs和人工智能模型之间的连接。
准确来说HuggingGPT是一个协作系统，而不是一个大模型。它用于连接LLMs（即ChatGPT）和ML社区（即HuggingFace），可以处理来自不同模态的输入并解决众多复杂的人工智能任务。具体而言，对于HuggingFace中的每个人工智能模型，HuggingGPT使用库中的相应模型描述，并将其融合到提示中以建立与ChatGPT的连接。随后，HuggingGPT将LLMs（即ChatGPT）将作为大脑来确定用户问题的答案。
下图就是这个方案的主要思想：
简单来说，就是HuggingGPT将HuggingFace社区上所有的模型简介作为输入，放到模型上。然后根据用户输入的问题去解析匹配，然后决定使用哪个模型来解决。
HuggingGPT是一个协作系统，由大型语言模型（LLM）作为控制器和众多专家模型作为协作执行者组成。HuggingGPT的工作流程包括四个阶段：任务规划、模型选择、任务执行和响应生成。
下图是具体的工作流程：
具体来说就是：
这个真的是非常赞的想法。文中给出一个例子：让HuggingGPT生成一个视频，其标题是"An astronaut is walking in space"，并且为其配音。
HuggingGPT的工作过程是： 任务规划，将上述任务分成2个，一个是text-to-video，一个是text-to-speech。然后分别为二者挑选合适的模型生成即可。
还有个例子是读取图片中的文本，显然这个任务可以分为image-to-text和text-to-speech。当然，HuggingGPT也能分辨出每个任务的输入参数是啥。
好消息是这个系统已经由微软开源在GitHub上了~并且命名为Jarvis！（钢铁侠虎躯一震！哈哈哈！）
不过这个系统给的使用依赖OpenAI的账户，所以你们懂的。有了OpenAI的APIkey之后就可以使用。
HuggingGPT的使用步骤：
下载官方项目并启动服务端：
# setup env
cd server
conda install pytorch torchvision torchaudio pytorch-cuda=11.6 -c pytorch
pip install git+https://github.com/huggingface/diffusers.git
pip install git+https://github.com/huggingface/transformers
pip install -r requirements.txt
# download models
cd models
sh download.sh
# run server
cd ..
python bot_server.py
python model_server.py
然后安装并打开web服务
cd web
npm install
npm run dev
接下来就可以直接使用了。
好像一下子就有了模型的多模态的能力。而且随着HuggingFace上模型的丰富，未来几乎所有HuggingFace的模型可能都可以被直接使用了，实在是太酷了！