“团结就是力量”，面对复杂多变的现实环境，multi-agent应运而生。相较于单打独斗的single-agent，multi-agent集结了多个功能各异的LLM，共同攻克难关。然而，这种协同作战的方式也带来了沉重的推理负担，限制了multi-agent在开放世界中的发展潜力。

特别是在多模态环境下，视觉、音频、文本交织在一起，如何动态调整多模态语言模型（MLMs），以适应视觉世界的纷繁复杂，成为摆在我们面前的一大挑战。

GPT-3.5研究测试： https://hujiaoai.cn

GPT-4研究测试： https://higpt4.cn

Claude-3研究测试（全面吊打GPT-4）： https://hiclaude3.com

浙大团队结合额外专家模块，提出了一种多模态multi-agent训练的层次知识蒸馏方法。multi-agent在一个自组织的层次系统中协作，实现精细的思维链和高效的部署。这里的agent通过教师模型进行分层次训练，模拟动态并调整任务，也就是说仅使用一个多模态语言模型（MLM）就能实现有效合作。经过蒸馏后，STEVE-2可以在无需专家指导的情况下，通过单一模型发展出高效的体感Agent，完成精细的开放任务。

论文标题:
Do We Really Need a Complex Agent System? Distill Embodied Agent into a Single Model

论文链接：
https://arxiv.org/pdf/2404.04619.pdf

方法

整体框架如上图所示， 图（a）中STEVE-2接受文本任务描述和图像作为每一步的输入状态，STEVE-2 可以被模块化为三个组成部分：

• ViT作为视觉编码器，将图像编码为嵌入。

• 多层感知器（Multi-Layer Perceptron,MLP）层将ViT产生的嵌入与语言空间对齐。

• LLM作为语言解码器，它接受指令token的拼接和线性投影层的输出作为输入，生成文本动作。然后，这个文本动作被用来检索代码动作。

STEVE-2生成从图（b）教师agent(一个多功能MLM的组合)提炼出的行动序列，两者在Multi-Agent系统中以分层组织结构的形式并行工作。它利用多模态语言模型的认知和协作能力，在开放式环境中处理视觉（）、音频（）和物体（）目标，管理并执行复杂的多agent任务:

其中表示第个conductor agent的视觉、音频和其他属性的状态列表，是初始任务。接着为conductor agent获得动作,是agent的总数。

图（c）中层次架构主要包括两个部分：高层的集中式规划manager agent表示为和低层的分布式执行conductor agent表示为，这两个agent都由一个多模态语言模型实现，conductor agent的动作由以下方式获取：

Actor agents 通过实现：,是可选的附加行动。

在分层多agent系统中，每个教师agent通过不同的提示分别执行这三个不同的MLM。然后通过DPO损失的层次知识蒸馏，STEVE-2 学习了这三个agents的性能：。

多模态教师模型

多模态教师模型MLM包含三种关键agent：manager、conductor和actor。每个agent均配备规划器（Planner）、描述器（Describer）、批评者（Critic）和技能模块（Skill）。

它们共同协作，制定任务计划，处理多模态数据，通过反馈优化策略，并有效分配子任务。随后，它们将策略转化为具体动作，协调团队形成，确保任务分配与中央指令一致。同时，通过课程学习，模型能持续学习和适应复杂任务。此外，模型还维护一个多模态记忆，用于存储描述器生成的长期描述及规划器修正后的轨迹，以支持更高效的决策和执行。

基于MLM的自适应规划

本文综合了环境观察和任务指令，以根据当前情况规划行动。首先，将多模态观察转化为文本描述，避免了LLMs直接进行场景标注。从STEVE-21K数据集中提取物品关键词，并运用GPT-4V将这些观察结果编织成句子。

在规划阶段，大语言模型从文本观察中筛选出与任务相关的条件句子。通过预定义的模板，巧妙地将额外信息整合成文本，使计划更加全面。随后，结合任务指令和这些描述性文本，利用LLM的语言组件生成行动计划。

这种方法分层运用大语言模型的能力，生成更准确的情境描述和计划，相较于完全集成模型，显著降低了生成不切实际元素的风险。

自主错误修正与主动规划

STEVE-2 通过闭环反馈机制提升规划，通过分析反馈并利用自我解释能力自动纠正错误，无需人工干预或额外信息。它能提前识别并修正计划中的潜在问题，通过模拟和评估每个步骤来减少因计划失败导致的困难情况。这种主动方法使它能够预见资源不足等可能阻碍任务完成的问题。

带有额外专家信息的教师模型

现有开放型agent在面临不确定指令下的复杂任务时往往束手无策。特别是导航和创作这类高度开放的任务，由于语言指令可能信息不足且结果复杂多样，要求agent能够自主想象并补充指令中未明确指出的细节。

作者从从Creative Agents的研究中受到启发，通过引入生成模型作为输入先验，并借助想象力模块，使Agent能够模拟并想象任务细节，从而更有效地规划和执行任务。

具体来说，作者扩展了到额外的Expert，修改了VQ-VAE ，用于创作任务生成3D占用空间，以及使用多模态信号的动态地图 来处理导航任务。需要注意的是，仅将这部分与教师模型集成，以避免直接向STEVE-2部分提供提示信息，防止作弊。这种方法也确保了STEVE-2的轻量性。表示如下：

其中， 表示文本描述的多模态知识。状态由表示。Expert 将文本对象目标 转换为。这个过程为教师模型 提供了详尽的任务描述。这为Agent提供了更丰富的任务信息，降低了不确定性。

知识蒸馏

目标是构建一个层次化的多模态语言模型系统，每个学生模型θ被赋予特定的功能，能够学习和复制教师 的行为，同时利用额外的知识：θ 和 。

作者在训练 STEVE-2 系统中的manager, conductor and actor agents时，采用了类似的方法，使用层次化的MLM教师。通过最小化由θ 引发的状态分布的目标函数来实现这一目标:

其中，损失函数 是知识蒸馏损失。作者在实验中采用了DPO损失，它使用响应对非首选响应的相对对数概率，并结合动态每样本权重来防止模型退化，经证明，这种方法在将语言模型与教师偏好对齐方面优于交叉熵：

其中使用逻辑函数σ和超参数β来控制与参考agent 的偏差。参考agent是通过对基于规则的老师产生的数据集进行行为克隆得到的。

模型使用最大似然估计（MLE）进行训练，并增加一个正则化项，以防止agent 偏离老师的准确分布，保持生成的多样性，并避免过早收敛到简单任务。

为了稳定训练过程，MLM agent θ被初始化为。然而，由于无法计算的分布，使用DAgger来收敛到最优agent θ，以克服累积误差和分布偏移问题。

实验

作者通过多模态创造与导航两个任务对多agent合作和执行复杂任务的效率进行了实验。多模态导航任务比如下图中的示例“寻找沙漠金字塔，找到里面的箱子，拿出所有的物品”，而多模态创造任务则类似“用木头建造对称的五层悬檐宝塔”的指令。

在本文中Extra Expert可以生成模型和动态地图，用于完成两项任务。生成模型生成三维占用空间，渲染成多视角图像，并输入给教师模型GPT-4V。

多模态导航任务

该任务包括多模态目标搜索、连续区块搜索和地图探索。实验结果见下表，

STEVE-2表现出最佳性能，这表明在不同操作模式的多个导航任务中，多agent合作的高效性。当使用更少的LLMs时，处理效率和模块减少显著提升。

• 多模态目标搜索。 多模态目标搜索技术能精准识别图像、对象和音频目标。在游戏中，对象标签帮助识别物品，图像标签助力物体定位，而音频标签则能捕捉玩家范围外的声音。STEVE-2通过分解任务层次，其性能相较于目前最先进的LLM方法提升了5.5倍，同时成功率保持不变。

• 连续区块搜索。 连续区块搜索是对agent探索能力和定位钻石区块熟练度的全面评估。在此过程中，agent的目标是以最少的迭代次数找到尽可能多的区块。通过动态地图和分层结构的辅助，能更有效地发现和部署更多区块，从而提升搜索效率。

• 地图探索。 地图探索旨在让agent尽可能多地更新地图信息。在相同的环境感知条件下，对于未到达的区域，系统会通过文本形式提供状态信息。此外，每步移动的最大距离限制在50块以内。在此限制下，STEVE-2展现出卓越性能，相较于最先进的LLM方法，性能提升了1.9倍，同时效率也提高了3倍。

多模态创造任务

为了评估创造任务的完成情况，将其分为收集材料和建造两部分，实验结果如下表所示：

• 材料收集。本文为agent提供了一份详尽的材料清单及其所需数量，以助力其高效完成收集任务。实验结果表明，STEVE-2在保证收集准确性的同时，将效率提升了惊人的19倍，展现出了卓越的性能。

• 建筑生成。 由于建筑生成的复杂性和独特性，agent需要具备想象能力，以填补指令中未明确说明的细节。为此，作者利用微调后的VQ-VAE作为3D占用空间生成工具，帮助agent进行想象。同时采用多视角的占用状态作为教师模型的输入，训练模型执行相应动作。为了进一步简化架构并提升性能还采用知识蒸馏方法，仅使用一个agent和一个大语言模型。这种简化不仅显著提高了输出质量，甚至在某些方面超越了更复杂的结构，展现出强大的潜力和效率。

下图是本方法的代表性输出结果，并与GT (Ground Truth)进行比较：

本文的方法相较于Creative Agents方法，展现了对建筑结构保留的深入理解，生成结果与描述文本高度一致。

由于抽象文本的创建方式多样，综合使用FID指数及人工统计偏好来判断生成结果是否贴合描述。STEVE-2在FID得分上实现了3.2倍的提升，且在GPT-4V和人类的主观偏好评分中均名列前茅，确保了高准确性的同时，也展现了卓越的性能。

消融实验

作者针对多模态目标搜索、连续区块搜索和地图探索进行了研究。w/o KD 表示没有知识蒸馏，w/o EE 表示没有额外专家，TO 是仅有的教师模型，用于预热阶段提供额外知识。结果如下表所示

下表是对材料收集和建筑创建的消融实验。

作者还比较了不同语言模型的效率，如下表所示， # time 指的是每次迭代的运行时间，用于计算一个agent的所有语言模型的推理时间。VRAM 大约是 GPU 内存使用量。基于 GPT-4 的方法是通过 API调用，没有计算部分。

从以上实验结果可以看出，STEVE-2 模型在系统性能上显著优于教师模型 GPT-4V，导航效率提高了 1.8 倍，创作质量提升了 4 倍。

知识蒸馏进一步提升了模型，使其导航效率提高了 24 倍，还能从头开始生成高质量的建筑。

结论

STEVE-2通过采用分层结构实现精细任务划分，结合镜像蒸馏方法充分利用并行的模拟数据，以及引入想象模型为模拟注入额外上下文知识，有效弥合了任务理解和执行之间的鸿沟，并展现出对开放环境的动态适应能力。在复杂且现实的应用场景中，STEVE-2可以展现出更高的复杂性、灵活性和效率，为人工智能和具身智能领域的发展注入了新的活力。