EcoAgent: An Efficient Edge-Cloud Collaborative Multi-AgentFramework for Mobile Automation论文审查
AndroidWorld上的实验结果表明，EcoAgent有效地处理了复杂的移动任务，同时减少了MLLM的令牌消耗，从而降低了运营成本，并促进了边缘设备上的实际部署。可以看到，在plan agent提出了一个计划+每步计划的预期结果之后，假如操作结果一直符合预期的话，整个流程接下来都不需要云端模型了。只有出现了不符合预期的情况的时候，才会需要云端模型，把当前情况和他说一下，再让他修改一下计划。ap
这篇论文针对的是“边缘部署”场景的llm使用。边缘部署和我们常见的本地部署有点类似，但是有不一样的地方。它强调的是“网络边缘”，比如说手机，摄像头，智能冰箱，网络基站之类的，因此范围比较广。
显然这些设备想要使用的话，要么用大模型的api，要么本地部署一个微调过的小模型。api太贵，小模型太差。二者结合起来，用以往的方法往往会变成单向流程（只听一个模型的话）。文章提出EcoAgent：
“
EcoAgent在三个代理之间形成闭环交互：基于云的规划代理和基于边缘的执行和观察代理。
规划代理利用MLLM进行高级推理和长期任务规划。由微调的MSLM驱动的执行代理高效地执行每个计划的操作。
Observation Agent根据预期结果评估执行正确性，并采用预理解模块将屏幕截图压缩为简洁的文本，从而减少令牌使用和通信开销。失败后，规划代理将从内存模块检索屏幕历史记录，并通过反射模块重新规划。AndroidWorld上的实验结果表明，EcoAgent有效地处理了复杂的移动任务，同时减少了MLLM的令牌消耗，从而降低了运营成本，并促进了边缘设备上的实际部署。
”
可以看到，在plan agent提出了一个计划+每步计划的预期结果之后，假如操作结果一直符合预期的话，整个流程接下来都不需要云端模型了。只有出现了不符合预期的情况的时候，才会需要云端模型，把当前情况和他说一下，再让他修改一下计划。这样成本自然降低了。
火山引擎开发者社区是火山引擎打造的AI技术生态平台，聚焦Agent与大模型开发，提供豆包系列模型（图像/视频/视觉）、智能分析与会话工具，并配套评测集、动手实验室及行业案例库。社区通过技术沙龙、挑战赛等活动促进开发者成长，新用户可领50万Tokens权益，助力构建智能应用。
更多推荐
3
0- 0
已为社区贡献4条内容
所有评论(0)