微软提出变色龙框架，让模型自带工具箱开挂，数学推理任务准确率 98%

教大模型调用工具，已经是 AI 圈关注度最高的话题之一了。这不，又有一项研究登上最新 NeurIPS 2023——

它是一个叫作 Chameleon（变色龙）的框架，号称能将大语言模型直接变成魔法师的工具箱，来自微软与加州大学洛杉矶分校（UCLA）。

相比其它模型，Chameleon 一方面能调用的工具丰富，包括大型语言模型、视觉识别模型、网络搜索引擎、Python 编程功能以及基于规则的模块都能搞定。

另一方面，性能也更好。

在科学问答任务 ScienceQA 和表格数学推理任务 TabMWP 中，Chameleon 的准确率分别达到了 86.54% 和 98.78%，在这两个领域都显著超过了目前相同设定的最佳模型。

事实上，被顶会收录前，Chameleon 推理框架已经成为了科技社区的焦点。短短半年内，其在 GitHub 上的项目获得了近 1000 次的星标，同时，已有近 100 篇学术论文引用了这一框架。

在众多 AI 相关的论文中，Chameleon 更是脱颖而出，在 1682 篇文章中被评为 AlphaSignal 的周最佳论文。

此外，在 YouTube 上关于 Chameleon 的深度解读视频，也吸引了超过 1 万次的观看。

一起来看看这究竟是个什么框架。

源自变色龙的灵感

在实际应用中，我们经常会面临各种类型和领域的不同工具，比如来自 Hugging Face 和 GitHub 的开源模型、像谷歌和必应这样的网络搜索服务、维基百科等知识库、生成式人工智能模型、Python 函数、语言翻译和图像生成等等。

一个引人注目的问题是：

如何将这些多样的工具与大型语言模型相结合，以解决复杂的任务。

答案就在于工具增强（Tool-Augmented）的大型语言模型或大型语言模型代理（LLM Agent）！

通过规划和整合多个工具和资源到大型语言模型框架中，可以创建一个更加多功能和强大的系统，以便处理各种领域的复杂任务。

因此，微软和 UCLA 的研究人员提出了 Chameleon-变色龙推理框架。

Chameleon 的灵感来自自然界中的变色龙，就像变色龙能够通过改变皮肤颜色来适应周围环境一样，Chameleon 模型可以根据不同的输入问题，组合和使用各种不同的工具来完成相应的复杂推理。

例如，在解决多模态任务 ScienceQA 时，Chameleon 模型会为不同的问题生成不同的程序，以灵活组合各种工具，并按照一定的顺序执行它们，从而最终得出答案。这种灵活性和适应性使 Chameleon 成为解决复杂任务的强大工具。

Chameleon 模型与相关工作的比较

与相关工作相比，Chameleon 模型在工具多样性和调用灵活性方面具有显著优势。

首先，Chameleon 支持 LLM 模型、视觉模型、网络搜索引擎、Python 函数以及基于规则的模块，这些不同工具之间能够通过自然语言进行通信。

与此不同，已有的工作如 Toolformer 仅支持少量工具，如问答、计算器、机器翻译、WikiSearch 和日历查询，而 HuggingGPT 仅适用于视觉处理相关的模型。

其次，Chameleon 模型允许以类似自然语言的方式生成不同工具的调用组合，无需设计复杂格式的程序。

而在已有的工作中，如 ViperGPT，则需要生成精心设计、符合特定格式的 Python 代码，这对编程水平有限的用户来说并不友好。

基于 LLM 的工具规划器

Chameleon 模型与以往方法的不同之处在于其能够合成各种工具的组合，以适应不同类型的推理问题。

该模型由两个主要组成部分构成：工具箱（Module Inventory）和 LLM 规划器（LLM Planner）。工具箱包含了多种工具，使 Chameleon 模型具备了多样性和多维度的推理能力。

LLM 规划器基于大型语言模型实现，可以根据不同的输入问题生成自然语言形式的程序，从而实现对工具箱中的工具进行组合和调用。

LLM 规划器的实现非常简洁高效，充分利用了大型语言模型的提示学习（Prompt Learning）和语境学习（In-Context Learning）能力。

LLM 规划器的输入提示描述了需要生成不同工具组合序列的情境，同时定义了工具箱中的所有工具。

LLM 规划器的提示还提供了一些语境示例，以指导大型语言模型如何根据输入信息生成正确的程序。

基于这些描述和示例，大型语言模型，如 ChatGPT 和 GPT-4，能够学习如何针对新的输入问题生成适当的程序，以组合和调用工具箱中的不同工具，从而完成涉及复杂推理的输入问题。

Chameleon 模型的一大优势在于为用户提供了丰富的灵活性，只需提供语言描述，就能让大型语言模型与外部工具协同工作，覆盖多种类型和技能维度。

此外，它具有即插即用的特性，允许用户无缝更新底层大型语言模型、添加新工具，并适应新的任务。

Chameleon 工具箱的多样技能

为满足多样的推理需求，Chameleon 的工具箱中包含了各种不同技能的工具，包括图像理解、知识理解、数学推理、表格推理和问答。

基于 LLM 的工具实现

需要强调的是，Chameleon 的工具箱中包括了基于 LLM（大型语言模型）的工具。

以“知识检索（Knowledge Retrieval）”工具为例。

在帮助系统解决复杂问题时，检索额外的知识至关重要。这个工具模块利用大型语言模型强大的生成能力来获取特定领域的知识。

这在处理专业领域问题，如科学和数学时尤为有用。

举例来说，如果问题涉及理解税表，这个模块可以生成与税务相关的背景知识，这对后续的推理步骤至关重要。

最近的研究表明，程序辅助方法可以提高大型语言模型在逻辑和数学推理方面的能力。

因此，工具箱中还包括了“程序生成（Program Generator）”工具，它利用大型语言模型的语境学习和代码生成能力，结合输入问题，生成可以有效解决给定问题的 Python 程序。

此外，还可以构建“解答生成（Solution Generator）”工具，它能指导大型语言模型充分利用输入问题、上下文信息和历史工具执行的中间结果，生成多步且详细的解答。

Chameleon 模型的评测表现

Chameleon 模型在两个复杂的多模态推理任务上进行了实验评估，分别是 ScienceQA 和 TabMWP。

ScienceQA，即科学问答，是一个涵盖广泛科学主题的多模态问答基准测试。

如下图的例子所示，回答 ScienceQA 中的问题需要使用各种知识、工具和技能，例如图像描述、文本检测、知识检索、在线资源搜索，以及视觉推理。

这要求模型具备包括视觉和语言推理在内的组合能力。

Chameleon 模型中的 LLM 规划器能够合成程序，以调用不同的工具组合来回答 ScienceQA 中不同类型的问题。

例如，在下图所示的第一个例子中，Chameleon 模型识别到输入图像包含广告文本，因此调用了“文本检测（Text Detector）”工具来理解图像中的文字。

随后模型调用“知识检索（Knowledge Retrieval）”工具来检索问题所涉及到的术语“persuasive appeal”的相关背景知识。

最后，模型根据输入问题和执行之前工具得到的中间结果得出最终的答案。

第二个问题涉及到识别图像中的动物并回答环境适应性的问题。

Chameleon 模型调用了“图像描述（Image Captioner）”工具来理解图像中的动物，并通过调用“必应搜索（Bing Search）”来获取相关的学科背景知识，最终的答案充分利用了这些信息。

详细的评测结果也充分证明了 Chameleon 模型在 ScienceQA 任务上的有效性。

Chameleon 模型在表格推理任务 TabMWP 中同样展现了其出色的灵活性和有效性。

TabMWP 是一个基于表格上下文的数学推理任务，要求模型理解多种形式的表格并执行精确的数值计算。

在下图的第一个示例中，涉及对计数表格进行数学推理。Chameleon 模型调用“知识检索（Knowledge Retrieval）”工具来理解如何计算列表的中位数。然后，它依赖于程序辅助工具进行精确计算。

第二个示例需要在较大的表格上下文中定位到一个单元格。为此，Chameleon 模型调用工具箱中的“行查找（Row Lookup）”工具来准确定位表格中的相关行。

接下来，Chameleon 模型只需理解简化的表格，然后生成最终的自然语言答案，而无需生成 Python 代码来增强数学推理。

类似地，Chameleon 模型在 TabMWP 任务中也展现了强大的推理能力。

下图突显了这两个任务中的关键基准模型。

在 ScienceQA 任务中，Chameleon 模型与 GPT-4 合作，实现了 86.5% 的准确率，是当前最优秀的 few-shot 模型。

同样地，Chameleon 在 TabMWP 数据集上实现了 98.8% 的准确率，领先最先进模型 17.0% 的性能。

消融实验揭示 Chameleon 的关键模块

研究人员进行了消融实验，分析了当禁用生成程序中的关键模块时，Chameleon 模型的准确率下降情况。

实验结果显示，“知识检索（Knowledge Retrieval）”模块在两项任务中都扮演了重要的角色。

对于 ScienceQA 任务，特定领域的工具，如“必应搜索（Bing Search）”和与视觉相关的工具，起到了关键作用，而在 TabMWP 任务中，常用的“程序生成（Program Generator）”模块对最终性能的影响也非常显著。

Chameleon 模型的工具规划能力

不同工具的使用比例

通过可视化 Chameleon 模型生成的程序中不同工具的使用比例，可以观察到使用不同的语言模型时，LLM 规划器表现出不同的规划行为。

通常情况下，ChatGPT 对于使用或不使用某些工具有较强的偏好。

例如，在回答 ScienceQA 问题时，ChatGPT 倾向于调用“知识检索（Knowledge Retrieval）”，占用比例为 72%，而仅在 3% 的情况下调用“必应搜索（Bing Search）”。

在 TabMWP 任务中，ChatGPT 更依赖“行查找（Row Lookup）”工具，较少调用“列查找（Column Lookup）”。

而 GPT-4 在工具选择上表现得更加客观和理性。

例如，在回答 ScienceQA 的科学问题时，GPT-4 更频繁地调用“知识检索”，并且相对 ChatGPT 更频繁地调用“Bing 搜索”（11% vs. 3%）。

工具调用的转态转移图

通过可视化 Chameleon 模型生成的程序中不同工具的状态转移图，可以观察到 LLM 规划器在工具调用中所展现的规律。

例如，在 ScienceQA 任务中，Chameleon 模型通常会选择使用“知识检索（Knowledge Retrieval）”来获取大型语言模型中的内部知识，或者调用“必应搜索（Bing Search）”来获取互联网上的在线信息。

在 TabMWP 任务中，研究人员观察到两种主要的工具调用模式：

Chameleon 模型要么直接通过自然语言推理来完成回答，要么利用程序生成相关的工具来增强逻辑和数学推理。

Chameleon 模型的进一步发展

Chameleon 模型通过其简单高效的框架，实现了大型语言模型与多种外部工具的高效协同，从而显著增强了在复杂任务上的推理能力。在大型语言模型的工具增强领域，未来有许多潜在的发展方向：

扩展工具箱：可以将工具箱扩展到更多工具，包括特定领域的工具，如 Wolfram。这将进一步增加 Chameleon 模型在不同任务和领域中的适用性，使其成为更全面的多功能工具。

改进规划器：可以考虑提出更加准确的规划器，例如能够逐步规划下一步骤的工具，并根据执行结果的反馈进行规划优化。这将有助于提高 Chameleon 模型在复杂任务中的效率和准确性。

轻量化替代：未来可以考虑将涉及到大型语言模型的部分替换为更轻量级的本地模型，以减小计算资源的消耗，提高模型的响应速度，并降低部署成本。这将使 Chameleon 模型更适用于实际应用场景。

总之，Chameleon 模型的未来发展有望在工具增强领域取得更大的突破，为解决复杂问题提供更强大的支持，并拓展其应用范围。

参考资料

• 论文链接：https://arxiv.org/ abs / 2304.09842

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。