一直爆料OpenAI草莓的账号，竟然是个智能体？斯坦福系创企炒作AgentQ

声明:本文来自于微信公众号 机器之心，作者:杜伟、佳琪，授权转载发布。

当炒作出了泼天的流量，已经没人关心产品厉不厉害了。

最近，OpenAI 的秘密项目Q*一直受到了圈内人士的广泛关注。上个月，以它为前身、代号为草莓（Strawberry）的项目又被曝光了。据推测，该项目能够提供高级推理能力。

最近几天，关于这个项目，网络上又来了几波鸽死人不偿命的传播。尤其是一个草莓哥的账号，不间断地宣传，给人期望又让人失望。

没想到，这个 Sam Altman 出现在哪里，它就在哪里跟帖的营销号，皮下竟然是个智能体?

今天，一家 AI 智能体初创公司MultiOn的创始人直接出来认领:虽然没等来 OpenAI 发布Q*，但我们发了操控草莓哥账号的全新智能体 Agent Q，快来和我们在线玩耍吧!

MultiOn 联合创始人兼 CEO Div Garg，他在斯坦福读计算机科学博士期间休学创业。

这波看起来让 OpenAI 给自己做嫁衣的营销操作给大家都看懵了。毕竟，最近很多人彻夜未眠等待 OpenAI 的大新闻。这要追溯到 Sam Altman 和草莓哥的互动，在 Sam Altman 晒出的草莓照片下，他回复了草莓哥:惊喜马上就来。

不过，MultiOn的创始人 Div Garg 已经把认领 Agent Q 就是草莓哥的帖子悄悄删了。

此次，MultiOn宣称，他们发布的Agent Q 是一款突破性的 AI 智能体。它的训练方法结合了蒙特卡洛树搜索（MCTS）和自我批评，并且通过一种叫做直接偏好优化(DPO)的算法来学习人类的反馈。

与此同时，作为拥有规划和 AI 自我修复功能的下一代 AI 智能体，Agent Q 的性能是 LLama3基线零样本性能的3.4倍。同时，在真实场景任务的评估中，Agent Q 的成功率达到了95.4%。

Agent Q 能做什么呢?我们先来看一下官方 Demo。

它能够为你预定某个时间某家餐厅的座位。

然后为你执行网页操作，比如查询空位情况。最终成功预定。

此外还能预定航班（比如本周六从纽约飞往旧金山，单程、靠窗和经济舱）。

不过，网友似乎对 Agent Q 并不买账。大家关心更多的还是他们是否真的借草莓哥账号炒作的事情，甚至有些人称他们为无耻的骗子。

重要组件和方法概览

目前，Agent Q 的相关论文已经放出，由 MultiOn 和斯坦福大学的研究者联合撰写。这项研究的成果将在今年晚些时候向开发人员和使用 MultiOn 的普通用户开放。

• 论文地址:https://multion-research.s3.us-east-2.amazonaws.com/AgentQ.pdf

总结一波:Agent Q 能够自主地在网页上实施规划并自我纠错，从成功和失败的经验中学习，提高它在复杂任务中的表现。最终，该智能体可以更好地规划如何在互联网上冲浪，以适应现实世界的复杂情况。

在技术细节上， Agent Q 的主要组件包括如下:

使用 MCTS（Monte Carlo Tree Search，蒙特卡洛树搜索）进行引导式搜索:该技术通过探索不同的操作和网页来自主生成数据，以平衡探索和利用。MCTS 使用高采样温度和多样化提示来扩展操作空间，确保多样化和最佳的轨迹集合。

AI 自我批评:在每个步骤中，基于 AI 的自我批评都会提供有价值的反馈，从而完善智能体的决策过程。这一步骤级反馈对于长期任务至关重要，因为稀疏信号通常会导致学习困难。

直接偏好优化（DPO）:该算法通过从 MCTS 生成的数据构建偏好对以微调模型。这种离策略训练方法允许模型从聚合数据集（包括搜索过程中探索的次优分支）中有效地学习，从而提高复杂环境中的成功率。

下面重点讲一下网页（Web-Page）端的 MCTS 算法。研究者探索了如何通过 MCTS 赋予智能体额外的搜索能力。

在以往的工作中，MCTS 算法通常由四个阶段组成:选择、扩展、模拟和反向传播，每个阶段在平衡探索与利用、迭代细化策略方面都发挥着关键作用。

研究者将网页智能体执行公式化为网页树搜索，其中状态由智能体历史和当前网页的 DOM 树组成。与国际象棋或围棋等棋盘游戏不同，研究者使用的复杂网络智能体操作空间是开放格式且可变的。

研究者将基础模型用作操作建议（action-proposal）分布，并在每个节点(网页)上采样固定数量的可能操作。一旦在浏览器中选择并执行一个操作，则会遍历下个网页，并且该网页与更新的历史记录共同成为新节点。

研究者对反馈模型进行多次迭代查询，每次从列表中删除从上一次迭代中选择的最佳操作，直到对所有操作进行完整排序。下图4为完整的 AI 反馈过程。

扩展和回溯。研究者在浏览器环境中选择并执行一个操作以到达一个新节点（页面）。从选定的状态节点轨迹开始，他们使用当前策略