Effiziente Nutzung von KI durch Agenten-Destillation kleinerer Sprachmodelle

Effizientes Wissen: Destillation von LLM-Agenten in kleinere Modelle

Große Sprachmodelle (LLMs) haben in den letzten Jahren beeindruckende Fortschritte in Bereichen wie Textgenerierung, Übersetzung und Fragebeantwortung erzielt. Ihre Fähigkeit, komplexe Argumentationsketten zu bilden und Aufgaben zu lösen, ist bemerkenswert. Allerdings geht diese Leistungsfähigkeit mit einem hohen Rechenaufwand einher, der ihren Einsatz in vielen praktischen Anwendungen einschränkt. Die Forschung sucht daher nach Möglichkeiten, die Fähigkeiten von LLMs effizienter zu nutzen, beispielsweise durch die sogenannte Destillation in kleinere Modelle.

Ein vielversprechender Ansatz ist die "Agenten-Destillation", die darauf abzielt, nicht nur das reine Sprachverständnis, sondern das gesamte Aufgabenlösungsverhalten von LLM-basierten Agenten auf kleinere Sprachmodelle (sLMs) zu übertragen. Diese sLMs können dann, ausgestattet mit zusätzlichen Werkzeugen wie Datenbankabfragen oder Code-Ausführung, ähnliche Ergebnisse erzielen wie ihre größeren Vorbilder, jedoch mit deutlich reduziertem Ressourcenbedarf.

Bisherige Destillationsmethoden konzentrierten sich hauptsächlich auf die Übertragung von Denkprozessen, die als "Chain-of-Thought" (CoT) bezeichnet werden. Dabei werden die einzelnen Schritte der Argumentation eines LLMs extrahiert und dem kleineren Modell als Lernvorlage bereitgestellt. Dieser Ansatz stößt jedoch an seine Grenzen, wenn spezifisches Faktenwissen oder präzise Berechnungen erforderlich sind. Hier neigen sLMs aufgrund ihrer begrenzten Kapazität zum "Halluzinieren", d.h. zur Generierung von falschen oder unlogischen Aussagen.

Die Agenten-Destillation geht einen Schritt weiter, indem sie den sLMs den Zugang zu externen Werkzeugen ermöglicht. Ähnlich wie ein menschlicher Experte, der sich bei Bedarf auf Fachliteratur oder Software stützt, können diese "augmentierten" sLMs ihre Wissenslücken durch gezielte Abfragen an Datenbanken oder die Ausführung von Code schließen. Dadurch wird ihre Fähigkeit, komplexe Aufgaben zu lösen, deutlich verbessert.

Verbesserte Destillation durch innovative Techniken

Um die Effizienz der Agenten-Destillation weiter zu steigern, wurden zwei innovative Techniken entwickelt: Erstens, die sogenannte "First-Thought-Prefix" Methode, die die Qualität der vom Lehrer-LLM generierten Lösungswege verbessert. Zweitens, die "Selbstkonsistente Aktionsgenerierung", die die Robustheit der kleinen Agenten bei der Ausführung von Aufgaben erhöht.

Die Kombination dieser Techniken ermöglicht es, sLMs mit vergleichsweise geringen Parameterzahlen (z.B. 0.5B, 1.5B, 3B) auf ein Leistungsniveau zu bringen, das mit größeren Modellen (1.5B, 3B, 7B) konkurrenzfähig ist, die mit herkömmlichen CoT-Methoden trainiert wurden.

Vielversprechende Ergebnisse und zukünftige Anwendungen

Die Ergebnisse der Agenten-Destillation sind vielversprechend und eröffnen neue Möglichkeiten für den Einsatz von KI in verschiedenen Bereichen. Durch die Reduzierung des Rechenaufwands können komplexe KI-Anwendungen auf Geräten mit begrenzten Ressourcen, wie z.B. Smartphones oder eingebetteten Systemen, realisiert werden. Dies ermöglicht beispielsweise die Entwicklung intelligenter Assistenten, die auch offline komplexe Aufgaben bewältigen können.

Darüber hinaus bietet die Agenten-Destillation Potenzial für die Entwicklung von maßgeschneiderten KI-Lösungen, die auf die spezifischen Bedürfnisse von Unternehmen zugeschnitten sind. Durch die Kombination von sLMs mit spezialisierten Werkzeugen und Datenbanken können effiziente und kostengünstige KI-Systeme für unterschiedlichste Anwendungsfälle geschaffen werden.

Bibliographie:

1. https://github.com/Tebmer/Awesome-Knowledge-Distillation-of-LLMs
2. https://arxiv.org/abs/2405.17890
3. https://arxiv.org/html/2402.13116v1
4. https://github.com/luo-junyu/Awesome-Agent-Papers
5. https://neptune.ai/blog/building-llm-agents-with-autogen
6. https://lilianweng.github.io/posts/2023-06-23-agent/
7. http://openaccess.thecvf.com/content/CVPR2024/papers/Hu_Visual_Program_Distillation_Distilling_Tools_and_Programmatic_Reasoning_into_Vision-Language_CVPR_2024_paper.pdf
8. https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf
9. https://www.researchgate.net/publication/386191977_Small_LLMs_Are_Weak_Tool_Learners_A_Multi-LLM_Agent
10. https://aclanthology.org/2024.emnlp-main.333.pdf