所解决的问题？

当前的语言模型Large Language Models (LLMs)缺乏处理复杂信息的能力，像视觉，语音这类信息就不能够很好的处理，这是一个语言模型能力缺陷上的问题。再一个是现实世界的很多问题可以拆分成子任务，通常需要多个模型之间相互协调配合。语言模型本身其实更擅长做Zero-Shot，或者是Few-Shot的任务，对于具体的任务并不如Fine-Turn的模型好。

作者将大语言模型作为中间件，去链接AI模型和语言模型，对AI模型进行规划、调度和合作。期望是具备二者的通用能力。

背景

目前存在的一些工作是训练多模态的大模型，或者给大模型加上一些工具插件来解决问题。作者提出的这个方法更加通用。

所采用的方法？

作者在这篇文章中，将large language models (LLMs)作为一个AI模型管理器，去管理各种各样的AI模型，从而解决跨领域，跨模态的复杂任务。

具体来说，就是来了一个用户的请求request，然后基于一些提前写好的prompt，HuggingGPT选择要采用哪个模型来去解决子任务，然后基于执行的结果做出响应。

整个HuggingGPT的处理过程可以分为4步：

1. 任务规划(Task Planning): 理解用户的请求，并理解其意图，将其分为为可以被执行的子任务。
2. 模型选择(Model Selection)：基于AI模型描述和规划出来的子任务选择领域模型，或者称为专家模型(expert model)。
3. 任务执行(Task Execution)：调用这些AI模型，并执行拿到返回结果给ChatGPT。
4. 回复生成(Response Generation)：最终再次调用ChatGPT整合所有模型的预测结果，生成最终回复给用户。

上述4部分的具体细节为：

1. 任务规划：一些基础的指令：任务ID：用于任务规划的ID区分；任务类型Task Type：像是图像、音频、文本等等；任务依赖：定义一些执行此任务之前的依赖，只有依赖任务都被执行，此任务才会被启动。任务参数：这些参数来自用户的request或者是依赖任务生成的。在此基础上还会给一些prompt demonstration。
2. 模型选择：在做模型选择之前首先需要模型描述，这些模型描述都是来自Hugging Face本身的。由于模型太多，所有的模型描述全部输入的话，会超过prompt的长度限制，作者这里将其进行了任务分类，再依据下载次数排名，选择top-k个模型描述给到prompt中。
3. 任务执行：在任务执行中最主要考虑的就是资源的调度，独立的任务可以并行执行。作者这里采用特定的符号<resource>去管理资源。

具体prompt的设计：

文中作者还给了一些demo，可以参考看一下。

取得的效果？

截至论文发表，HuggingGPT可以整合几百个(400+)模型，覆盖了24个任务,像分类、目标检测、分割、问题等等。

问题

这样的方法带来的问题就是，如果管理的AI模型比较多的话，需要好好设计prompt，尤其是AI模型的描述，就是这个AI模型到底能做什么样的事情。还存在一些限制，比如调用的时间开销、资源开销、max_token开销等等。

所出版信息？作者信息？

2023年，浙江大学和微软研究亚洲一起合作发表的一篇文章。

参考链接

• 论文题目：HuggingGPT: Solving AI Tasks with ChatGPT andits Friends in Hugging Face