復雜問題的智能探索：阿里多模態(tài)檢索智能體的創(chuàng)新思維之旅

可適配不同模型

原標題：阿里多模態(tài)檢索智能體，自帶o1式思考過程！復雜問題逐步拆解，動態(tài)調(diào)整下一步檢索策略
文章來源：量子位
內(nèi)容字數(shù)：4181字

OmniSearch：自適應規(guī)劃的多模態(tài)檢索智能體

近日，阿里通義實驗室發(fā)布了OmniSearch，這是一種新的多模態(tài)檢索增強生成（mRAG）方法，旨在模擬人類問題解決的思維方式。OmniSearch能夠?qū)碗s問題逐步拆解，并根據(jù)當前的檢索結(jié)果和問題情境動態(tài)調(diào)整檢索策略，從而提升檢索效率和生成內(nèi)容的準確性。

1. OmniSearch的核心架構(gòu)

OmniSearch的設計克服了傳統(tǒng)mRAG方法的局限，具有以下幾個核心組件：

• 規(guī)劃智能體（Planning Agent）：負責解析原始問題，并制定逐步的檢索策略。
• 檢索器（Retriever）：執(zhí)行圖像、文本及跨模態(tài)的檢索任務。
• 子問題求解器（Sub-question Solver）：總結(jié)和解答檢索到的信息，具備高度可擴展性。
• 迭代推理與檢索（Iterative Reasoning and Retrieval）：通過遞歸檢索和推理逐步接近問題的最終答案。
• 反饋循環(huán)機制（Feedback Loop）：在每一步檢索和推理后反思檢索結(jié)果，以提高檢索的精確度。

2. Dyn-VQA數(shù)據(jù)集的構(gòu)建與實驗評估

為評估OmniSearch的性能，研究團隊構(gòu)建了新數(shù)據(jù)集Dyn-VQA，涵蓋1452個動態(tài)問題，主要分為以下三類：

• 答案快速變化的問題：如明星電影票房等，需要動態(tài)再檢索能力。
• 多模態(tài)知識需求的問題：需結(jié)合圖像和文本信息來獲取答案。
• 多跳問題：需要多個推理步驟以得出答案。

實驗結(jié)果顯示，OmniSearch在這三類問題上均表現(xiàn)優(yōu)異，特別是在處理需要多步推理和快速變化答案的問題時，準確率顯著高于現(xiàn)有的mRAG方法。

3. 性能優(yōu)勢與模塊化能力

在多個基準數(shù)據(jù)集上，OmniSearch達到了接近人類的表現(xiàn)。例如，在VQAv2數(shù)據(jù)集中，其準確率達到了70.34，超越了傳統(tǒng)mRAG方法。OmniSearch的模塊化設計允許靈活集成不同規(guī)模的多模態(tài)大語言模型（MLLM），為復雜問題提供解決方案。

整體而言，OmniSearch通過動態(tài)檢索規(guī)劃框架，突破了傳統(tǒng)mRAG的局限性，展現(xiàn)出強大的多模態(tài)檢索能力和靈活的模型集成特性，為未來的智能檢索系統(tǒng)提供了新的方向。

4. 進一步閱讀與資源

欲了解更多信息，可以訪問以下鏈接：

• Paper
• Github
• Demo

聯(lián)系作者

文章來源：量子位
作者微信：
作者簡介：追蹤人工智能新趨勢，關注科技行業(yè)新突破