ControlLLM

ControlLLM

通过图搜索增强大语言模型工具使用能力实现复杂任务解决

ControlLLM框架通过图搜索方法提升大语言模型的多模态工具使用能力。其核心包括任务分解器、基于图的思维范式和执行引擎,有效解决复杂任务。该框架在图像、音频和视频处理等领域展现出高准确性和效率,为大语言模型应用开辟新途径。

ControlLLM大语言模型多模态工具图搜索任务分解Github开源项目
<img src="https://github.com/OpenGVLab/ControlLLM/assets/13723743/5ee0314a-d983-444a-8671-88cc0b52b752" width=10% align="left" />

ControlLLM

ControlLLM:通过图搜索增强大型语言模型的工具使用能力

[论文] [项目主页] [演示] [🤗 Space]

我们提出了ControlLLM,这是一个创新框架,使大型语言模型(LLMs)能够利用多模态工具解决复杂的现实世界任务。尽管LLMs表现出色,但在工具调用方面仍然存在挑战,如用户提示模糊、工具选择和参数设置不准确以及工具调度效率低下。为克服这些挑战,我们的框架包含三个关键组件:(1) 一个$\textit{任务分解器}$,将复杂任务分解为具有明确输入输出的子任务;(2) 一个$\textit{图上思维(ToG)范式}$,在预先构建的工具图上搜索最佳解决方案路径,该图指定了不同工具之间的参数和依赖关系;(3) 一个$\textit{具有丰富工具箱的执行引擎}$,解释解决方案路径并在不同计算设备上高效运行工具。我们在涉及图像、音频和视频处理的多样化任务上评估了我们的框架,展示了其相比现有方法在准确性、效率和多功能性方面的优越性。

🤖 视频演示

https://github.com/OpenGVLab/ControlLLM/assets/13723743/cf72861e-0e7b-4c15-89ee-7fa1d838d00f

🏠 系统概览

架构

🎁 主要特性

  • 图像感知
  • 图像编辑
  • 图像生成
  • 视频感知
  • 视频编辑
  • 视频生成
  • 音频感知
  • 音频生成
  • 多解决方案
  • 指向输入
  • 资源类型感知

🗓️ 计划

  • ✅ (🔥 新) 发布在线演示和🤗Hugging Face space
  • ✅ (🔥 新) 支持PixArt-alpha,一种最先进的文本到图像合成方法。

🛠️安装

基本要求

  • Linux
  • Python 3.10+
  • PyTorch 2.0+
  • CUDA 11.8+

克隆项目

在根目录执行以下命令:

git clone https://github.com/OpenGVLab/ControlLLM.git cd controlllm

安装依赖

设置环境:

conda create -n cllm python=3.10 conda activate cllm conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.8 -c pytorch -c nvidia

安装LLaVA

pip install git+https://github.com/haotian-liu/LLaVA.git

然后安装其他依赖:

pip install -r requirements.txt pip install -e .

👨‍🏫 入门指南

步骤1:启动工具服务

请将您的个人OpenAI密钥和Weather Key放入相应的环境变量中。

😬 一键启动所有端点:

# openai密钥 export OPENAI_API_KEY="..." # openai基础URL export OPENAI_BASE_URL="..." # 天气API密钥 export WEATHER_API_KEY="..." # 资源目录 export SERVER_ROOT="./server_resources" python -m cllm.services.launch --port 10056 --host 0.0.0.0

工具即服务

以图像生成为例,我们首先启动服务。

python -m cllm.services.image_generation.launch --port 10011 --host 0.0.0.0

然后,我们可以通过Python API调用服务:

from cllm.services.image_generation.api import * setup(port=10011) text2image('A horse')

步骤2:启动ToG服务

export OPENAI_BASE_URL="..." export OPENAI_API_KEY="..." python -m cllm.services.tog.launch --port 10052 --host 0.0.0.0

步骤3:启动Gradio演示

使用openssl生成证书:

mkdir certificate openssl req -x509 -newkey rsa:4096 -keyout certificate/key.pem -out certificate/cert.pem -sha256 -days 365 -nodes

最后,您可以在服务器上启动Gradio演示:

export TOG_PORT=10052 export CLLM_SERVICES_PORT=10056 export CLIENT_ROOT="./client_resources" export GRADIO_TEMP_DIR="$HOME/.tmp" export OPENAI_BASE_URL="..." export OPENAI_API_KEY="..." python -m cllm.app.gradio --controller "cllm.agents.tog.Controller" --server-port 10003 --https

或者,您可以在run.sh中设置上述变量,并通过运行以下命令启动所有服务:

bash ./run.sh

🎫 许可证

本项目采用Apache 2.0许可证发布。

🖊️ 引用

如果您在研究中发现本项目有用,请引用我们的论文:

@article{2023controlllm, title={ControlLLM: Augment Language Models with Tools by Searching on Graphs}, author={Liu, Zhaoyang and Lai, Zeqiang and Gao, Zhangwei and Cui, Erfei and Li, Zhiheng and Zhu, Xizhou and Lu, Lewei and Chen, Qifeng and Qiao, Yu and Dai, Jifeng and Wang, Wenhai}, journal={arXiv preprint arXiv:2305.10601}, year={2023} }

🤝 致谢


如果您想加入我们的微信群,请扫描以下二维码添加我们的助手为微信好友:

<p align="center"><img width="300" alt="image" src="https://github.com/OpenGVLab/DragGAN/assets/26198430/e3f0807f-956a-474e-8fd2-1f7c22d73997"></p>

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

热门AI工具AI办公办公工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

模型训练热门AI工具内容创作智能问答AI开发讯飞星火大模型多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

热门AI工具生产力协作转型TraeAI IDE
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

AI助手热门AI工具AI创作AI辅助写作讯飞绘文内容运营个性化文章多平台分发
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多