AI预测论文能不能中，8B超越70B大模型，港大发布图文融合多智能体GraphAgent

连接结构化图数据与非结构化文本数据

原标题：AI预测论文能不能中，8B超越70B大模型，港大发布图文融合多智能体GraphAgent
文章来源：量子位
内容字数：9934字

港大黄超教授团队提出GraphAgent：AI预测论文能否中

香港大学黄超教授团队研发了一种名为GraphAgent的多智能体自动化框架，能够预测学术论文的录取可能性，并具备更广泛的预测和生成能力。该框架通过融合大语言模型（LLM）和图语言模型的优势，在处理结构化图数据和非结构化文本数据方面取得了显著成果，并在零样本学习和跨域泛化等方面展现出优势。

1. GraphAgent的核心挑战与架构

现实世界的数据呈现出结构化和非结构化数据的混合特性，GraphAgent旨在解决以下三大挑战：异构数据融合、多层次关系理解和任务多元化。为了应对这些挑战，GraphAgent采用了一个由三大核心智能体组成的框架：

1. 图生成智能体 (Graph Generator Agent)：负责构建语义知识图谱 (SKG)，通过两阶段迭代机制从非结构化文本中提取和整合深层语义信息。首先，它采用自适应分层策略识别知识实体；然后，它增强知识表示的丰富度和准确性，构建完整的知识联系。
2. 任务规划智能体 (Task Planning Agent)：作为框架的决策核心，它通过三阶段处理机制完成复杂任务的规划和分解。包括意图识别与任务制定、图结构标准化处理以及图文特征融合。
3. 任务执行智能体 (Task Execution Agent)：作为框架的核心执行单元，它通过三维处理架构实现任务的精准执行和性能优化。包括智能化任务处理机制、深度图指令对齐技术和渐进式学习策略。

这三大智能体协同运作，实现了图结构与语义信息的深度融合，支持预测型和生成型等多样化任务。

2. GraphAgent的实验结果与优势

研究团队在六个基准数据集上对GraphAgent进行了评估，涵盖了节点分类、文本生成、论文录用预测等任务。结果显示，GraphAgent在各种任务中均取得了优异的性能，仅用8B参数规模就达到了与GPT-4、Gemini等大型封闭源模型相当的性能水平。

GraphAgent的主要优势体现在以下几个方面：

1. 卓越的零样本学习和跨域泛化能力：在低资源场景下表现出色，并在不同数据集上展现了强大的迁移学习能力。
2. 高效的语义理解能力：能够精准把握复杂语义依赖关系，在各项评估指标上超越了Llama3-70b和Qwen2-72b等大规模模型。
3. 强大的文本生成能力：在图增强文本生成任务中，其困惑度（PPL）等核心指标显著优于基线模型，并在与GPT-4的对比中展现出优势。

3. 未来研究方向

团队未来的研究方向包括：多模态能力拓展（将视觉信息整合到框架中）、模型性能优化（模型压缩和计算资源优化）以及应用场景扩展（科学研究辅助和商业智能分析等）。

总而言之，GraphAgent是一个具有创新性的多智能体框架，它在预测和生成任务中展现了强大的能力，为人工智能在学术研究和商业领域的应用提供了新的可能性。

联系作者

文章来源：量子位
作者微信：
作者简介：追踪人工智能新趋势，关注科技行业新突破