数量决定效力！腾讯披露：增加Agent数量可提升大型语言模型表现

腾讯的研究表明，通过增加大型语言模型（LLM）实例化代理的数量，可以提升其性能。该发现通过简单的采样和投票方法实现，无需复杂的多 LLM 代理协作框架或提示工程。这项研究首次验证了这一现象的普遍性，并探讨了其背后的原因。论文还提出了优化策略以进一步提升方法的有效性，并指出了未来的研究方向，包括优化成本和减轻 LLM 幻觉的影响。

腾讯的研究团队进行了一项关于agent的可拓展性的研究。他们发现，通过简单的采样投票，大型语言模型（LLM）的性能随着实例化agent数量的增加而增强。这项研究首次在各种场景中验证了这一现象的普遍性，并与其他复杂方法进行了对比，探讨了这一现象背后的原因，并提出了进一步发挥scaling效应的方法。

• 论文标题：More Agents Is All You Need

• 论文地址：https://arxiv.org/abs/2402.05120

• 代码地址：https://github.com/MoreAgentsIsAllYouNeed/More-Agents-Is-All-You-Need

论文详细探讨了多种集成LLM的相关研究，其中包括LLM的自集成、异构LLM的集成，以及多个LLM代理协作框架的研究。通过与提出的方法进行对比，可以看出论文进行了更为全面的研究和分析。

• 将任务 query 输入到单个 LLM 或多个 LLM Agents 协作框架中，生成多个输出；
• 通过多数投票确定最终结果

                                   ^{基于 LLama13B}

                                 ^{基于 LLama70B}

                              ^{基于 GPT-3.5-Turbo}

• 固有难度：随着任务固有难度的增加，性能提升（即相对性能增益）也会增加，但当难度达到一定程度后，增益会逐渐减少。这表明在任务过于复杂时，模型的推理能力可能无法跟上，导致性能提升的边际效应递减。
• 步骤数量：随着解决任务所需的步骤数量增加，性能提升也会增加。这表明在多步骤任务中，通过增加 agent 数量可以帮助模型更好地处理每一步，从而整体提高任务的解决性能。
• 先验概率：正确答案的先验概率越高，性能提升越大。这意味着在正确答案更有可能的情况下，增加 agent 数量更有可能带来显著的性能提升。

• 逐步采样和投票（Step-wise Sampling-and-Voting）：这种方法将任务分解为多个步骤，并在每个步骤中应用采样和投票，以减少累积错误并提高整体性能。
• 分层采样和投票（Hierarchical Sampling-and-Voting）：这种方法将低概率任务分解为多个高概率子任务，并分层解决，同时可以使用不同模型来处理不同概率的子任务以降低成本。
  

文中关于工程,腾讯的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《数量决定效力！腾讯披露：增加Agent数量可提升大型语言模型表现》文章吧，也可关注golang学习网公众号了解相关技术文章。