可適配不同模型

原標題：阿里多模態檢索智能體，自帶o1式思考過程！復雜問題逐步拆解，動態調整下一步檢索策略
文章來源：量子位
內容字數：4181字

OmniSearch：自適應規劃的多模態檢索智能體

近日，阿里通義實驗室發布了OmniSearch，這是一種新的多模態檢索增強生成（mRAG）方法，旨在模擬人類問題解決的思維方式。OmniSearch能夠將復雜問題逐步拆解，并根據當前的檢索結果和問題情境動態調整檢索策略，從而提升檢索效率和生成內容的準確性。

1. OmniSearch的核心架構

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

• 規劃智能體（Planning Agent）：負責解析原始問題，并制定逐步的檢索策略。
• 檢索器（Retriever）：執行圖像、文本及跨模態的檢索任務。
• 子問題求解器（Sub-question Solver）：總結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。
• 反饋循環機制（Feedback Loop）：在每一步檢索和推理后反思檢索結果，以提高檢索的精確度。

2. Dyn-VQA數據集的構建與實驗評估

為評估OmniSearch的性能，研究團隊構建了新數據集Dyn-VQA，涵蓋1452個動態問題，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，需要動態再檢索能力。
• 多模態知識需求的問題：需結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。

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

3. 性能優勢與模塊化能力

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

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

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，關注科技行業新突破