魚羊 西風 發自 凹非寺
量子位 | 公眾號 QbitAI
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
！
具體是這麽個事兒：
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範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參照了「原告」的論文。
然鵝，即便是標明了參照，「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，並認為：
谷歌對兩者差異性的表述「簡直荒謬」。
而不少網友看過論文後也緩緩打出一個問號：CoLM是怎麽審的稿？
唯一區別是換了概念？
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）。
該方法只需要存取每個token的解碼邏輯值，計算與語言模型的大小無關，高效且易用於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，透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，就是透過索引避免對全部邏輯值的遍歷
。
同樣「不依賴於具體模型」。
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，並接著讓Gemini來比較兩者的異同。
對於「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規表式或語法來表示。
透過以上結合，生成一個基於token的自動機，用於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範。
此外，谷歌論文中還進行了一系列正規表式擴充套件，這些擴充套件透過使用特別命名的捕獲組來編寫，顯著提升了系統處理文本時的效率和表達能力。
而對於「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機（FSM）之間的轉換
。
「原告」的具體方法是：
利用正規表式或上下文無關文法構建FSM，並將其用於指導文本生成過程。
透過構建詞匯表索引，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。
至於兩者的區別，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年初獨立開發的。
谷歌認為兩者的差異在於，Outlines的方法基於一種特制的「索引」操作，需要手動擴充套件到新的套用場景。相比之下，谷歌使用自動機理論徹底重新定義了整個過程，使得套用FSA和泛化到PDA變得更加容易。
另一個區別是，谷歌定義了擴充套件以支持通配符匹配，並提高了可用性。
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）透過增加「壓縮」文本段到預填充的功能，擴充套件了Outlines。
另一項是Ugare等人（2024年）近期提出的一個系統，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，該方法依賴於客製演算法。
但吃瓜群眾們顯然不是很買賬：
CoLM的評審們應該註意。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，布蘭登和雷米釋出原告論文的時候都在給Normal Computing遠端工作，這家AI Infra公司成立於2022年。
哦對了，Normal Computing的創始團隊有一部份就來自Google Brain……
另外，布蘭登和雷米現在合夥出來創業了，新公司名叫.txt，官網資訊顯示，其目標是提供快速可靠的資訊提取模型。並且官網掛出的GitHub主頁，就是Outlines倉庫。
說回到網友這邊，更讓大家夥兒生氣的是，「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後分享了自己的遭遇：
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，但甚至沒有參照我們的論文。
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。並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：
如果說發個部落格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：
好家夥，釋出預印本論文並開原始碼 = 占坑；
寫篇數學論文，甚至不需要任何虛擬碼 = 好工作？？？
布蘭登老哥也表示yue了：
開原始碼並撰寫相關論文是「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。
瓜就先吃到這裏，對此你有什麽想法？不妨在評論區繼續討論~
兩篇論文戳這裏：
谷歌DeepMind論文：https://arxiv.org/abs/2407.08103v1
原告論文：https://arxiv.org/abs/2307.09702
參考連結：
[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
