大模型圈再曝抄襲大瓜，這回，“被告”還是大名鼎鼎的谷歌DeepMind。

“原告”直接怒噴：他們就是把我們的技術(shù)報(bào)告洗了一遍！

具體是這么個(gè)事兒：

谷歌DeepMind一篇中了頂流新生代會(huì)議CoLM 2024的論文被掛了，瓜主直指其抄襲了一年前就掛在arXiv上的一項(xiàng)研究。開(kāi)源的那種。

兩篇論文探討的都是一種規(guī)范模型文本生成結(jié)構(gòu)的方法。

抓馬的是，谷歌DeepMind這篇論文中確實(shí)明晃晃寫(xiě)著引用了“原告”的論文。

然鵝，即便是標(biāo)明了引用，“原告”的兩位論文作者Brandon T. Willard（布蘭登）和R´emi Louf（雷米）還是堅(jiān)稱谷歌抄襲，并認(rèn)為：

谷歌對(duì)兩者差異性的表述“簡(jiǎn)直荒謬”。

而不少網(wǎng)友看過(guò)論文后也緩緩打出一個(gè)問(wèn)號(hào)：CoLM是怎么審的稿？

唯一區(qū)別是換了概念？

趕緊瞅一眼論文對(duì)比……

兩篇論文的比較

先淺看一眼兩篇論文的摘要對(duì)比。

谷歌DeepMind的論文說(shuō)的是，tokenization給約束語(yǔ)言模型輸出帶來(lái)了麻煩，他們引入自動(dòng)機(jī)理論來(lái)解決這些問(wèn)題，核心是避免在每個(gè)解碼步驟遍歷所有邏輯值（logits）。

該方法只需要訪問(wèn)每個(gè)token的解碼邏輯值，計(jì)算與語(yǔ)言模型的大小無(wú)關(guān)，高效且易用于幾乎所有語(yǔ)言模型架構(gòu)。

而“原告”的說(shuō)法大致是：

提出了一個(gè)高效框架，通過(guò)在語(yǔ)言模型的詞匯表上構(gòu)建索引，來(lái)大幅提升約束文本生成的效率。簡(jiǎn)單來(lái)說(shuō)，就是通過(guò)索引避免對(duì)全部邏輯值的遍歷。

同樣“不依賴于具體模型”。

方向上確實(shí)大差不差，我們還是接著來(lái)看看更多詳細(xì)內(nèi)容。

我們用谷歌Gemini 1.5 Pro分別總結(jié)了兩篇論文的主要內(nèi)容，并接著讓Gemini來(lái)比較兩者的異同。

對(duì)于“被告”谷歌這篇論文，Gemini總結(jié)其方法是將detokenization重新定義為有限狀態(tài)轉(zhuǎn)換器（FST）操作。

將此FST與表示目標(biāo)形式語(yǔ)言的自動(dòng)機(jī)組合，這種自動(dòng)機(jī)可以用正則表達(dá)式或語(yǔ)法來(lái)表示。

通過(guò)以上結(jié)合，生成一個(gè)基于token的自動(dòng)機(jī)，用于在解碼過(guò)程中約束語(yǔ)言模型，確保其輸出的文本符合預(yù)設(shè)的形式語(yǔ)言規(guī)范。

此外，谷歌論文中還進(jìn)行了一系列正則表達(dá)式擴(kuò)展，這些擴(kuò)展通過(guò)使用特別命名的捕獲組來(lái)編寫(xiě)，顯著提升了系統(tǒng)處理文本時(shí)的效率和表達(dá)能力。

而對(duì)于“原告”論文，Gemini總結(jié)其方法的核心是將文本生成問(wèn)題重新定義為有限狀態(tài)機(jī)（FSM）之間的轉(zhuǎn)換。

“原告”的具體方法是：

利用正則表達(dá)式或上下文無(wú)關(guān)文法構(gòu)建FSM，并將其用于指導(dǎo)文本生成過(guò)程。

通過(guò)構(gòu)建詞匯表索引，高效地確定每個(gè)步驟中的有效詞，避免遍歷整個(gè)詞匯表。

Gemini列出了兩篇論文的共同點(diǎn)。

至于兩者的區(qū)別，有點(diǎn)像前頭那位網(wǎng)友說(shuō)的，簡(jiǎn)單總結(jié)就是：谷歌將詞匯表定義為了一個(gè)FST。

前面也說(shuō)到了，谷歌在“Related work”中將原告論文列為“最相關(guān)”的一項(xiàng)工作：

最相關(guān)的研究是Outlines（Willard&Louf, 2023），該研究同樣采用有限狀態(tài)自動(dòng)機(jī)（FSA）和下推自動(dòng)機(jī)（PDA）作為約束手段——我們的方法是在2023年初獨(dú)立開(kāi)發(fā)的。

谷歌認(rèn)為兩者的差異在于，Outlines的方法基于一種特制的“索引”操作，需要手動(dòng)擴(kuò)展到新的應(yīng)用場(chǎng)景。相比之下，谷歌使用自動(dòng)機(jī)理論徹底重新定義了整個(gè)過(guò)程，使得應(yīng)用FSA和泛化到PDA變得更加容易。

另一個(gè)區(qū)別是，谷歌定義了擴(kuò)展以支持通配符匹配，并提高了可用性。

谷歌緊接著在介紹下面的兩項(xiàng)相關(guān)工作中，也都提到了Outlines。

一項(xiàng)是Yin等人（2024年）通過(guò)增加“壓縮”文本段到預(yù)填充的功能，擴(kuò)展了Outlines。

另一項(xiàng)是Ugare等人（2024年）近期提出的一個(gè)系統(tǒng)，名為SynCode。它也利用FSA，但采用LALR和LR解析器而非PDA處理語(yǔ)法。

與Outlines類似，該方法依賴于定制算法。

但吃瓜群眾們顯然不是很買賬：

CoLM的評(píng)審們應(yīng)該注意。我不認(rèn)為這看上去是各自獨(dú)立的“同期工作”。

網(wǎng)友：這事兒不罕見(jiàn)…

這件事一發(fā)酵，不少網(wǎng)友都怒了，抄襲可恥，更何況“科技巨頭剽竊小團(tuán)隊(duì)的工作成果不是第一次了”。

順便一提，布蘭登和雷米發(fā)布原告論文的時(shí)候都在給Normal Computing遠(yuǎn)程工作，這家AI Infra公司成立于2022年。

哦對(duì)了，Normal Computing的創(chuàng)始團(tuán)隊(duì)有一部分就來(lái)自Google Brain……

另外，布蘭登和雷米現(xiàn)在合伙出來(lái)創(chuàng)業(yè)了，新公司名叫.txt，官網(wǎng)信息顯示，其目標(biāo)是提供快速可靠的信息提取模型。并且官網(wǎng)掛出的GitHub主頁(yè)，就是Outlines倉(cāng)庫(kù)。

說(shuō)回到網(wǎng)友這邊，更讓大家伙兒生氣的是，“這種情況已經(jīng)變得普遍”。

一位來(lái)自荷蘭代爾夫特理工大學(xué)的博士后分享了自己的遭遇：

去年10月我們完成了一項(xiàng)工作，最近有篇已被接收的論文采用了相同的思路和概念，但甚至沒(méi)有引用我們的論文。

還有一位美國(guó)東北大學(xué)的老哥更慘，這種情況他遭遇過(guò)兩次，下手的還都是同一個(gè)組。并且對(duì)面那位第一作者還給他的GitHub加過(guò)星標(biāo)……

不過(guò)，也有網(wǎng)友表達(dá)了不同的意見(jiàn)：

如果說(shuō)發(fā)個(gè)博客文章或未經(jīng)評(píng)估的預(yù)印本論文就算占坑了，那人人都會(huì)占坑，不是嗎？

對(duì)此，雷米怒懟：

好家伙，發(fā)布預(yù)印本論文并開(kāi)源代碼 = 占坑；

寫(xiě)篇數(shù)學(xué)論文，甚至不需要任何偽代碼 = 好工作？？？

布蘭登老哥也表示yue了：

開(kāi)源代碼并撰寫(xiě)相關(guān)論文是“占坑”，復(fù)制別人的工作卻說(shuō)“我更早有了這個(gè)想法”且投稿了會(huì)議反而不是啦？真惡心。