炫到爆炸！HuggingGPT在线演示惊艳亮相，网友亲测图像生成绝了

来源：新智元

最强组合HuggingFace+ChatGPT=「贾维斯」现在开放demo了。

前段时间，浙大&微软发布了一个大模型协作系统HuggingGPT直接爆火。

研究者提出了用ChatGPT作为控制器，连接HuggingFace社区中的各种AI模型，完成多模态复杂任务。

整个过程，只需要做的是：用自然语言将你的需求输出。

英伟达科学家称，这是我本周读到的最有意思的论文。它的思想非常接近我之前说的「Everything App」，即万物皆App，被AI直接读取信息。

上手体验

现在，HuggingGPT增加了Gradio演示。

项目地址：https://github.com/microsoft/JARVIS

有网友便上手体验了一番，先来「识别图上有几个人」？

HuggingGPT根据推理结果，得出图片中有2个人正在街道上行走。

具体过程如下：

首先使用图像到文本模型nlpconnect/vit-gpt2-image-captioning进行图像描述，生成的文本「2个女人在有火车的街道上行走」。

接着，使用了目标检测模型facebook/detrresnet 50来检测图片中的人数。模型检测出7个物体，2个人。

再使用视觉问题回答模型dandelin/vilt-b32-finetuned-vqa得出结果。最后，系统提供了详细的响应和用于解答问题的模型信息。

另外，让它理解「我爱你」这句话的情感，并将其翻译成泰米尔语（Tamiḻ）。

HuggingGPT调用了以下模型：

首先，使用了模型「dslim/bert-base-NER」对文本「l love you」进行情感分类，是「浪漫」。

然后，使用「ChatGPT」将文本翻译成泰米尔语，即「Nan unnai kadalikiren」。

在推理结果中没有生成的图片、音频或视频文件。

转录MP3文件时，HuggingGPT却失败了。网友表示，「不确定这是否是我的输入文件的问题。」

再来看看图像生成的能力。

输入「一只猫跳舞」图像上添加文字「I LOVE YOU」作为叠加层。

HuggingGPT首先使用了「runwayml/stable-diffusion-1-5」模型根据给定的文本生成「跳舞的猫」的图片。

然后，使用同一个模型根据给定的文本生成了「I LOVE YOU」的图片。

最后，将2个图片合并在一起，输出如下图：

贾维斯照进现实

项目公开没几天，贾维斯已经在GitHub上收获了12.5k星，以及811个fork。

研究者指出解决大型语言模型（LLMs）当前的问题，可能是迈向AGI的第一步，也是关键的一步。

因为当前大型语言模型的技术仍然存在着一些缺陷，因此在构建 AGI 系统的道路上面临着一些紧迫的挑战。

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AI模型。

在这篇研究论文中，研究者提出在HuggingGPT中语言是通用的接口。其工作流程主要分为四步：

论文地址：https://arxiv.org/pdf/2303.17580.pdf

首先是任务规划，ChatGPT解析用户请求，将其分解为多个任务，并根据其知识规划任务顺序和依赖关系。

接着，进行模型选择。LLM根据HuggingFace中的模型描述将解析后的任务分配给专家模型。

然后执行任务。专家模型在推理端点上执行分配的任务，并将执行信息和推理结果记录到LLM中。

最后是响应生成。LLM总结执行过程日志和推理结果，并将摘要返回给用户。

假如给出这样一个请求：

请生成一个女孩正在看书的图片，她的姿势与example.jpg中的男孩相同。然后请用你的声音描述新图片。

可以看到HuggingGPT是如何将它拆解为6个子任务，并分别选定模型执行得到最终结果的。

通过将AI模型描述纳入提示中，ChatGPT可以被视为管理人工智能模型的大脑。因此，这一方法可以让ChatGPT能够调用外部模型，来解决实际任务。

简单来讲，HuggingGPT是一个协作系统，并非是大模型。

它的作用就是连接ChatGPT和HuggingFace，进而处理不同模态的输入，并解决众多复杂的人工智能任务。

所以，HuggingFace社区中的每个AI模型，在HuggingGPT库中都有相应的模型描述，并将其融合到提示中以建立与ChatGPT的连接。

随后，HuggingGPT将ChatGPT作为大脑来确定问题的答案。