麻省理工学院的新系统让小型人工智能模型在复杂任务中胜过巨型模型

虽然大型语言模型在创意写作和基础数学等方面表现出色，但在面对数独或严格的行程规划等复杂、规则繁多的任务时，它们往往会陷入困境。为了弥补这一差距，麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究团队在加布里埃尔-格兰德（Gabriel Grand）的带领下，推出了一种名为 DisCIPL（语言模型推理编程分布式约束）的新系统。

该框架以管理者-工人分层结构为基础运行。一个大型的 "老板 "模型首先充当规划者的角色，为解决用户的请求制定策略。然后，它将任务的具体组成部分分配给更小、更高效的 "跟随者 "模型。

为了确保团队不偏离轨道，"老大 "使用 LLaMPPL 来传达指令。LLaMPPL 是一种专门的编程语言，旨在引导模型实现精确的输出。如果从属模型偏离了约束条件，例如在结构化诗歌中使用了错误的措辞，主模型就会介入纠正。

这种方法取得了令人瞩目的成果。根据研究人员的报告，在涉及撰写赠款提案或杂货清单预算等任务的测试中，DiscIPL系统做出的反应比OpenAI的GPT-4o更准确，而且与专门推理模型o1的精确度不相上下。更值得注意的是，它的效率要高得多。与竞争对手相比，通过将繁重的工作卸载到更小的模型上，该系统的推理时间缩短了约 40%，成本降低了 80% 以上。

该团队认为，这种方法为人工智能提供了一条可持续发展的道路，证明了协调较小的模型可以比单纯依赖庞大、耗电的系统更有效、更节能。