这篇论文通过对真实世界决策任务中的Auto-GPT代理进行了全面的基准研究，探索了大型语言模型（LLM）在决策任务中的应用。

论文链接：https://arxiv.org/pdf/2306.02224.pdf

作者比较了多种流行的LLM（包括GPT-4，GPT-3.5，Claude和Vicuna）在Auto-GPT决策任务中的表现，并引入了一种名为「额外意见」的新算法，该算法可以将小的专家模型融入到Auto-GPT方案中，从而提高了任务性能。

在这一研究中最有趣的发现是大语言模型，尤其是GPT4有了类似于人类的能力，可以从不同的意见中提取有用信息，进行思考和批判然后提高自己的结果。

那么问题来了，GPT是怎么受益于不同意见的呢？

人类的心理学研究过一些人类受益于不同意见的方式以及一些模式，比如人类会给有权威的意见更多的权重，会倾向于忽略极少数的个别意见，会给自己的意见过多的权重，通常三到六个意见就足够了等等。

这个方向还值得很多后续的研究，比如现在我们是用一个小的专家模型来提供不同意见，如果让大模型们互相争论呢？

1.首次展示Auto-GPT可以轻松适应与真实世界场景密切相似的在线决策任务。

2.提供了流行LLM（包括GPT-4， GPT-3.5，Claude和Vicuna）之间的全面基准比较。我们提出了关于这些模型适用于自主代理的发现。

3. 证明了从小的专家模型那里获得的第二意见可以显著提高任务性能。这可以成为为在不进行模型微调的情况下将监督信号引入Auto-GPT的一种新的方法。

提示设计

在没有进行大规模调优的情况下，我们将任务需求或问题直接作为Auto-GPT的目标，适配了Auto-GPT进行各项任务。

比如输入像「I want to purchase a folding storage box that is easy to install, made of faux leather, and has dimensions of 60x40x40cm」的句子。

为了帮助Auto-GPT理解可用的行动，我们将每个行动表现为一个工具。

值得注意的是，在没有示例的情况下，仅使用工具指令的效果较差。然而，只要有少量的示例，性能就会显著提高。因此，我们在工具演示中包括一到三个few-shot示例，以利用LLM的上下文学习能力。

考虑额外意见

我们进一步改进了Auto-GPT的工作流，以便考虑来自外部专家模型的额外意见。

具体来说，在Auto-GPT的决策阶段，我们从专家模型中抽样出前k个意见，并将这些意见放入提示的上下文部分，以供大语言模型参考。

在这项工作中，我们简单地使用了对于每个任务都已经准备好的IL模型作为外部专家。

提供给LLM额外意见的提示遵循这样的模板：‘Here’s one(a few) suggestion(s) for the command: Please use this suggestion as a reference and make your own judgement. ’

Webshop实验设置：

Webshop是一个模拟网购环境，从http://Amazon.com上抓取超过118万个产品。

该环境提供了如搜索、点击、导航、购买等真实的行动空间。

评估过程主要看是否成功购买了描述的产品，需要产品、属性、选项和价格全都匹配。

基线模型是采用模仿学习（IL）方法的模型，它的动作策略组件已经过微调。这个基线模型将与采用Auto-GPT方式运行的大语言模型进行比较。

ALFWorld实验设置

ALFWorld是一个研究环境，结合了复杂的任务导向和语言理解。该环境包含超过25000个独特的、程序生成的任务，涵盖厨房、客厅、卧室等真实环境。

这些任务需要复杂的解决问题的能力和对语言及环境的深入理解。初始评估使用模仿学习（IL）的DAgger代理进行，然后与采用Auto-GPT风格的生成语言模型进行比较。

直接比较结果

本研究主要通过运行Webshop和ALFWorld两种实验，比较了不同的大型语言模型（Large Language Models，LLMs）和模仿学习（Imitation Learning，IL）模型在AutoGPT配置中的表现。

首先，Webshop试验中，GPT4表现出色，其性能超过了其他IL模型。尽管无图像输入的原始IL模型仅取得了适度的成功率，但是加入了图像输入的IL模型表现更好。

然而，只使用GPT3.5或Claude的Auto-GPT代理表现不如原始IL模型，但是，GPT4本身的性能优于所有IL模型。

其次，在ALFWorld实验中，IL模型与Beam Search的组合显著优于无Beam Search的版本。而在AutoGPT设置中运行的Claude和GPT3.5的性能均未超越IL模型，但GPT4明显超越了IL模型的性能，无论是否使用Beam Search。

此外，我们提出了一种新的研究模式，将大型语言模型（LLMs）与专家模型结合起来。

首先从专家模型中采样出前k个附加观点，然后将这些观点呈现给LLMs，让它们考虑这些观点并做出最后的决定。这种方法在GPT4上表现得特别好，这表明GPT4在考虑来自多个弱学习模型的观点时，可以提高其性能。

总的来说，GPT4在所有模型中表现出了最佳的性能，并且能够有效地利用专家模型的建议来提高其决策能力。

我们推荐使用GPT4，因为它在考虑了其他模型的观点后，其决策性能显著提高。最后Abaltion Study证明了这些额外意见必须是有一点价值的，随机的意见并没有任何帮助，见AutoGPT(GPT3.5) + Random

采用额外意见比例

在我们的实验中，我们发现GPT-4模型在处理额外意见时表现出极高的辨别能力。即使在信息噪声中，GPT-4也能区分出有益和无关的建议。

而GPT-3.5模型在面对可能导致混淆的输入时，表现出了明显的劣势。总的来说，LLM与额外意见的一致性或不一致性，很大程度上取决于LLM的理解能力和额外意见的质量。