炫到爆炸，HuggingGPT 在线演示惊艳亮相，网友亲测图像生成绝了

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。

现在，HuggingGPT 增加了 Gradio 演示。

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：

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。

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：

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：

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。

到目前为止，HuggingGPT 已经围绕 ChatGPT 在 HuggingFace 上集成了数百个模型，涵盖了文本分类、目标检测、语义分割、图像生成、问答、文本到语音、文本到视频等 24 个任务。

实验结果证明，HuggingGPT 可以在各种形式的复杂任务上表现出良好的性能。

有网友称，HuggingGPT 类似于微软此前提出的 Visual ChatGPT，似乎他们把最初的想法扩展到了一组庞大的预训练模型上。

Visual ChatGPT 是直接基于 ChatGPT 构建，并向其注入了许多可视化模型（VFMs）。文中提出了 Prompt Manage。

在 PM 的帮助下，ChatGPT 可以利用这些 VFMs，并以迭代的方式接收其反馈，直到满足用户的要求或达到结束条件。

还有网友认为，这个想法确实与 ChatGPT 插件非常相似。以 LLM 为中心进行语义理解和任务规划，可以无限提升 LLM 的能力边界。通过将 LLM 与其他功能或领域专家相结合，我们可以创建更强大、更灵活的 AI 系统，能够更好地适应各种任务和需求。

这就是我一直以来对 AGI 的看法，人工智能模型能够理解复杂任务，然后将较小的任务分派给其他更专业的 AI 模型。

就像大脑一样，它也有不同的部分来完成特定的任务，听起来很符合逻辑。

参考资料：

本文来自微信公众号：新智元 （ID：AI_era）