Meta、华盛顿大学和阿伦AI实验室的研究人员联合开源了，专用于数学、表格等复杂推理的AI Agent—HUSKY。
与传统AI Agent不同的是，HUSKY采用了一个统一的行动空间，无论是数值计算、表格分析还是基于知识的推理，都能够通过一系列预定义的自动化行动来完成。这种统一性极大提升了AI Agent的泛化能力，使其能够跨领域解决多种难题。
此外，HUSKY还使用了一种迭代推理的方法，通过在行动生成和执行之间不断迭代，可以像人类那样分层次地拆解、解决难题，在处理超复杂任务时非常高效。
开源地址：https://github.com/agent-husky/Husky-v1
论文地址：https://arxiv.org/abs/2406.06469
行动生成相当于HUSKY的“大脑”。在这一阶段，行动生成器作为核心组件，承担着预测任务解决过程中下一步行动的部署计划。它接收输入的问题和已有的解决方案历史，通过精准的预测，确定接下来需要采取的步骤和相应的工具。
在预测过程中主要借鉴了GPT-4使用的"few-shot prompting"技术，无需额外训练就能帮助HUSKY能够通过少量示例快速学习并适应新任务。
完成行动部署后，HUSKY便开始进入执行阶段，通过一些特定的专家模型来执行具体任务。这些专家模型，包括代码生成器、数学推理器、查询生成器和常识推理器，分别对应不同的业务需求，相当于HUSKY的工具箱。
例如，当面临数值计算任务时，代码生成器将生成代码片段，由代码解释器执行；而在需要检索信息时，查询生成器则生成搜索查询，由搜索引擎执行来获取所需知识；需要执行复杂的微积分、几何、代数等复杂难题时，数学推理器便开始执行。
HUSKY不仅体现在单个模块的能力上，更在于模块间的协调与合作。行动生成器需要理解问题需求，预测出合理的行动和工具使用顺序；而专家模型则需精确执行这些行动，并将结果反馈给行动生成器。这种紧密的协作是HUSKY解决复杂问题的关键。
也就是说，HUSKY的行动生成与执行是一个不断迭代、反馈的闭环，在执行的过程中协同工作，不断生成和执行行动，同时更新解决方案状态。
这一迭代过程持续进行，直到行动生成器在解决方案历史中识别出最终答案，HUSKY便达到终端状态并返回最终结果。
研究人员对HUSKY在不同类型推理任务上的进行综合测试，包括数值推理、表格推理、知识基础推理以及混合工具推理任务等。
结果显示，在数值推理任务中，HUSKY展现出了卓越的推理和泛化能力，成功处理了从基础数学问题到高难度的竞赛数学题，涵盖了GSM-8K、MATH、Google
DeepMind Mathematics和MathQA等数据集。
在表格推理任务中，HUSKY同样表现出色。成功处理了TabMWP、FinQA、TAT-QA和MultimodalQA等数据集。在HotpotQA、CWQ、Musique、Bamboolge和StrategyQA等数据集上，HUSKY同样展现了卓越的数据检索和查询能力。
本文素材来源
HUSKY论文
，如有侵权请联系删除
文章来源：AIGC开放社区
元宇宙与人工智能三十人论坛
因微信公众号整改，没有加“星标⭐️ ”的订阅号有时无法收到消息
1.为防止错过最新资讯，请将元宇宙三十人论坛设为星标⭐️
2.点击
“赞”
和
“在看”
，提高我们相遇的几率。
3.精彩文章，请点击文末左下角
“分享”
给好友。
了解更多关注
元宇宙与人工智能三十人论坛约 3 分钟
