chameleon-llm - 插件式组合推理框架增强LLMs功能

项目介绍：Chameleon-LLM

项目简介

Chameleon 是一个即插即用的组合推理框架，通过各种工具扩展大型语言模型 (LLMs) 的能力。它结合了包括语言模型、图像识别模型、网络搜索引擎、Python 函数和基于规则的模块等工具，以生成用户所需的响应。Chameleon 被设计为一种自然语言规划器，能够推断并执行一系列工具组合步骤，最终达到预期结果。

项目背景

Chameleon 项目展示了其在两个任务上的适应性与有效性：ScienceQA 和 TabMWP。在 ScienceQA 任务中，Chameleon 使用 GPT-4 取得了 86.54% 的准确率，与之前最好的模型相比提升了 11.37%。在 TabMWP 任务中，Chameleon 更是将准确率提升至 98.78%。

应用与技术优势

多任务支持：Chameleon 能够处理科学问答（ScienceQA）和数学问题解决（TabMWP）等任务。
工具组合能力：通过组合多种工具，Chameleon 可以灵活地应对复杂问题。
高准确率：得益于对工具的合理组合和使用，Chameleon 实现了更高的准确率。

运行指引

要运行 Chameleon 框架，用户需要准备 OpenAI API 密钥（必需）和可选的 Bing 搜索 API 密钥。用户可在 OpenAI 和微软官网上获取这些密钥。项目使用 Python 语言开发，用户需要安装依赖包，例如 numpy、pandas、transformers 等。

pip install -r requirements.txt

示例与模块

Chameleon 提供了多个示例来展示其在 ScienceQA 和 TabMWP 数据集上的应用。在 ScienceQA 任务中，Chameleon 能够自动生成程序来调用相关工具，准确回答关于科学领域的问题。在 TabMWP 任务中，Chameleon 能够从表格中提取信息，并通过生成 Python 程序来解决复杂的数学题目。

项目成果与未来计划

Chameleon 的研究成果已经获得广泛的认可，其论文在多个平台上被推荐和分享。Chameleon 目前仍在不断优化和升级中，研究团队鼓励使用者参与项目的开发，共同探索其在新任务上的潜力。

社区与联系方式

研究人员和开发者可以通过 Chameleon 项目主页或在 Twitter 上关注项目进展。此外，开发者可通过 GitHub 提交问题或建议，或直接联系项目负责人潘璐 (Pan Lu) 以获取更多支持和帮助。

引用说明

如果 Chameleon 对您的研究或应用有帮助，欢迎使用以下 BibTeX 格式进行引用：

@article{lu2023chameleon,
  title={Chameleon: Plug-and-Play Compositional Reasoning with Large Language Models},
  author={Lu, Pan and Peng, Baolin and Cheng, Hao and Galley, Michel and Chang, Kai-Wei and Wu, Ying Nian and Zhu, Song-Chun and Gao, Jianfeng},
  journal={arXiv preprint arXiv:2304.09842},
  year={2023}
}

Chameleon 项目在庞大的开发者和研究者社区推动下，不断实现新的突破，其灵活的架构和强大的功能将为各类 AI 应用的开发提供有力支持。