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報告洗了一遍！

具體是這么個事兒：

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

兩篇論文探討的都是一種規(guī)范模型文本生成結構的方法。

抓馬的是，谷歌DeepMind這篇論文中確實明晃晃寫著引用了“原告”的論文。

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

谷歌對兩者差異性的表述“簡直荒謬”。

而不少網友看過論文后也緩緩打出一個問號：CoLM是怎么審的稿？

唯一區(qū)別是換了概念？

趕緊瞅一眼論文對比……

兩篇論文的比較

先淺看一眼兩篇論文的摘要對比。

谷歌DeepMind的論文說的是，tokenization給約束語言模型輸出帶來了麻煩，他們引入自動機理論來解決這些問題，核心是避免在每個解碼步驟遍歷所有邏輯值（logits）。

該方法只需要訪問每個token的解碼邏輯值，計算與語言模型的大小無關，高效且易用于幾乎所有語言模型架構。

而“原告”的說法大致是：

提出了一個高效框架，通過在語言模型的詞匯表上構建索引，來大幅提升約束文本生成的效率。簡單來說，就是通過索引避免對全部邏輯值的遍歷。

同樣“不依賴于具體模型”。

方向上確實大差不差，我們還是接著來看看更多詳細內容。

我們用谷歌Gemini 1.5 Pro分別總結了兩篇論文的主要內容，并接著讓Gemini來比較兩者的異同。

對于“被告”谷歌這篇論文，Gemini總結其方法是將detokenization重新定義為有限狀態(tài)轉換器（FST）操作。

將此FST與表示目標形式語言的自動機組合，這種自動機可以用正則表達式或語法來表示。

通過以上結合，生成一個基于token的自動機，用于在解碼過程中約束語言模型，確保其輸出的文本符合預設的形式語言規(guī)范。

此外，谷歌論文中還進行了一系列正則表達式擴展，這些擴展通過使用特別命名的捕獲組來編寫，顯著提升了系統(tǒng)處理文本時的效率和表達能力。

而對于“原告”論文，Gemini總結其方法的核心是將文本生成問題重新定義為有限狀態(tài)機（FSM）之間的轉換。

“原告”的具體方法是：

利用正則表達式或上下文無關文法構建FSM，并將其用于指導文本生成過程。

通過構建詞匯表索引，高效地確定每個步驟中的有效詞，避免遍歷整個詞匯表。

Gemini列出了兩篇論文的共同點。

至于兩者的區(qū)別，有點像前頭那位網友說的，簡單總結就是：谷歌將詞匯表定義為了一個FST。

前面也說到了，谷歌在“Related work”中將原告論文列為“最相關”的一項工作：

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

谷歌認為兩者的差異在于，Outlines的方法基于一種特制的“索引”操作，需要手動擴展到新的應用場景。相比之下，谷歌使用自動機理論徹底重新定義了整個過程，使得應用FSA和泛化到PDA變得更加容易。

另一個區(qū)別是，谷歌定義了擴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相關工作中，也都提到了Outlines。

一項是Yin等人（2024年）通過增加“壓縮”文本段到預填充的功能，擴展了Outlines。

另一項是Ugare等人（2024年）近期提出的一個系統(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的評審們應該注意。我不認為這看上去是各自獨立的“同期工作”。

網友：這事兒不罕見…

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

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

哦對了，Normal Computing的創(chuàng)始團隊有一部分就來自Google Brain……

另外，布蘭登和雷米現在合伙出來創(chuàng)業(yè)了，新公司名叫.txt，官網信息顯示，其目標是提供快速可靠的信息提取模型。并且官網掛出的GitHub主頁，就是Outlines倉庫。

說回到網友這邊，更讓大家伙兒生氣的是，“這種情況已經變得普遍”。

一位來自荷蘭代爾夫特理工大學的博士后分享了自己的遭遇：

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

還有一位美國東北大學的老哥更慘，這種情況他遭遇過兩次，下手的還都是同一個組。并且對面那位第一作者還給他的GitHub加過星標……

不過，也有網友表達了不同的意見：

如果說發(fā)個博客文章或未經評估的預印本論文就算占坑了，那人人都會占坑，不是嗎？

對此，雷米怒懟：

好家伙，發(fā)布預印本論文并開源代碼 = 占坑；寫篇數學論文，甚至不需要任何偽代碼 = 好工作？？？

布蘭登老哥也表示yue了：

開源代碼并撰寫相關論文是“占坑”，復制別人的工作卻說“我更早有了這個想法”且投稿了會議反而不是啦？真惡心。

瓜就先吃到這里，對此你有什么想法？不妨在評論區(qū)繼續(xù)討論~

兩篇論文戳這里：谷歌DeepMind論文：https://arxiv.org/abs/2407.08103v1原告論文：https://arxiv.org/abs/2307.09702

參考鏈接：

[1]https://x.com/remilouf/status/1812164616362832287?s=46

2]https://x.com/karan4d/status/1812172329268699467?s=46

[3]https://x.com/brandontwillard/status/1812163165767053772?s=46