小细节只需和 ChatGPT 聊聊天，它就能帮你调用 10 万 + 个 HuggingFace 模型！
这是抱抱脸最新上线的功能 HuggingFace Transformers Agents，一经推出就获得极大关注：
这个功能，相当于给 ChatGPT 等大模型配备了“多模态”能力 ——
不限于文本，而是图像、语音、文档等任何多模态任务都能解决。
例如告诉 ChatGPT“解释这张图像”，并扔给它一张海狸照片。ChatGPT 就能调用图像解释器，输出“海狸正在水里游泳”：
随后，ChatGPT 再调用文字转语音，分分钟就能把这句话读出来：
当然，它不仅支持 ChatGPT 在内的 OpenAI 大模型，也支持 OpenAssistant 等免费大模型。
Transformer Agent 负责“教会”这些大模型直接调用 Hugging Face 上的任意 AI 模型，并输出处理好的结果。
所以这个新上线的功能，背后的原理究竟是什么？
如何让大模型“指挥”各种 AI？
简单来说，Transformers Agents 是一个大模型专属的“抱抱脸 AI 工具集成包”。
HuggingFace 上各种大大小小的 AI 模型，都被收纳在这个包里，并被分门别类为“图像生成器”、“图像解释器”、“文本转语音工具”……
同时，每个工具都会有对应的文字解释，方便大模型理解自己该调用什么模型。
这样一来，只需要一段简单的代码 + 提示词，就能让大模型帮助你直接运行 AI 模型，并将输出结果实时返还给你，过程一共分为三步：
首先，设置自己想用的大模型，这里可以用 OpenAI 的大模型（当然，API 要收费）：
from transformers import OpenAiAgent agent = OpenAiAgent(model="text-davinci-003", api_key="<your_api_key>")
也可以用 BigCode 或 OpenAssistant 等免费大模型：
from huggingface_hub import login
login("<YOUR_TOKEN>")
然后，设置 Hugging Transformers Agents。这里我们以默认的 Agent 为例：
from transformers import HfAgent
# Starcoder
agent = HfAgent("https://api-inference.huggingface.co/models/bigcode/starcoder")
# StarcoderBase# agent = HfAgent("https://api-inference.huggingface.co/models/bigcode/starcoderbase")# OpenAssistant# agent = HfAgent(url_endpoint="https://api-inference.huggingface.co/models/OpenAssistant/oasst-sft-4-pythia-12b-epoch-3.5")
接下来，就可以使用 run () 或者 chat () 两个指令，来运行 Transformers Agents 了。
run () 适合同时调用多个 AI 模型，执行比较复杂专业的任务。
可以调用单个 AI 工具。
例如执行 agent.run (“Draw me a picture of rivers and lakes.”)，它就能调用 AI 文生图工具帮你生成一张图像：
也可以同时调用多个 AI 工具。
例如执行 agent.run (“Draw me a picture of the sea then transform the picture to add an island”)，它就能调用“文生图”和“图生图”工具，帮你生成对应图像：
chat () 则适合以聊天的方式“持续完成任务”。
例如，先调用文生图 AI 工具，生成一个河流湖泊图片：agent.chat (“Generate a picture of rivers and lakes”)
再在这张图片的基础上做“图生图”修改：agent.chat (“Transform the picture so that there is a rock in there”)
要调用的 AI 模型可以自行设置，也可以使用抱抱脸自带的一套默认设置来完成。
已设置一套默认 AI 模型
目前，Transformers Agents 已经集成了一套默认 AI 模型，通过调用以下 Transformer 库中的 AI 模型来完成：
1、视觉文档理解模型 Donut。给定图片格式的文件（PDF 转图片也可以），它就能回答关于这个文件的问题。
例如问“TRRF 科学咨询委员会会议将在哪里举行”，Donut 就会给出答案：
2、文字问答模型 Flan-T5。给定长文章和一个问题，它就能回答各种文字问题，帮你做阅读理解。
3、零样本视觉语言模型 BLIP。它可以直接理解图像中的内容，并对图像进行文字说明。
4、多模态模型 ViLT。它可以理解并回答给定图像中的问题，
5、多模态图像分割模型 CLIPseg。只需要给它一个模型和一个提示词，它就能根据这个提示分割出图像中指定的内容（mask）。
6、自动语音识别模型 Whisper。它可以自动识别一段录音中的文字，并完成转录。
7、语音合成模型 SpeechT5。用于文本转语音。
8、自编码语言模型 BART。除了可以自动给一段文字内容分类，还能做文本摘要。
9、200 种语言翻译模型 NLLB。除了常见语言外，还能翻译一些不太常见的语言，包括老挝语和卡姆巴语等。
通过调用上面这些 AI 模型，包括图像问答、文档理解、图像分割、录音转文字、翻译、起标题、文本转语音、文本分类在内的任务都可以完成。
除此之外，抱抱脸还“夹带私货”，包含了一些 Transformer 库以外的模型，包括从网页下载文本、文生图、图生图、文生视频：
这些模型不仅能单独调用，还可以混合在一起使用，例如要求大模型“生成并描述一张好看的海狸照片”，它就会分别调用“文生图”和“图片理解”AI 模型。
当然，如果我们不想用这些默认 AI 模型，想设置一套更好用的“工具集成包”，也可以根据步骤自行设置。
对于 Transformers Agents，也有网友指出，有点像是 LangChain agents 的“平替”：
你试过这两个工具了吗？感觉哪个更好用？
参考链接：
[1]https://twitter.com/huggingface/status/1656334778407297027
[2]https://huggingface.co/docs/transformers/transformers_agents
本文来自微信公众号：量子位 （ID：QbitAI），作者：萧箫
本文由LinkNemo爬虫[Echo]采集自[https://www.ithome.com/0/692/656.htm]
