谷歌DeepMind被曝抄襲開源成果，論文還中了頂流會議

　　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!

　　具體是這么個事兒:

　　谷歌DeepMind一篇中了頂流新生代會議CoLM2024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:

　　谷歌對兩者差異性的表述“簡直荒謬”。

　　而不少網(wǎng)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(jī)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(jì)算與語言模型的大小無關(guān)，高效且易用于幾乎所有語言模型架構(gòu)。

　　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(gòu)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(shí)大差不差，我們還是接著來看看更多詳細(xì)內(nèi)容。

　　我們用谷歌Gemini1.5Pro分別總結(jié)了兩篇論文的主要內(nèi)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(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)形式語言的自動機(jī)組合，這種自動機(jī)可以用正則表達(dá)式或語法來表示。

　　通過以上結(jié)合，生成一個基于token的自動機(jī)，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(yù)設(shè)的形式語言規(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(shí)的效率和表達(dá)能力。

　　而對于“原告”論文，Gemini總結(jié)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(jī)（FSM）之間的轉(zhuǎn)換。

　　“原告”的具體方法是:

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

　　通過構(gòu)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(diǎn)。

　　至于兩者的區(qū)別，有點(diǎn)像前頭那位網(wǎng)友說的，簡單總結(jié)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(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)自動機(jī)(FSA)和下推自動機(jī)(PDA)作為約束手段——我們的方法是在2023年初獨(dú)立開發(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，需要手動擴(kuò)展到新的應(yīng)用場景。相比之下，谷歌使用自動機(jī)理論徹底重新定義了整個過程，使得應(yīng)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(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(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…

　　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。

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

　　另外，布蘭登和雷米現(xiàn)在合伙出來創(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，就是Outlines倉庫。

　　說回到網(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，但甚至沒有引用我們的論文。

　　還有一位美國東北大學(xué)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(biāo)……

　　不過，也有網(wǎng)友表達(dá)了不同的意見:

　　如果說發(fā)個博客文章或未經(jīng)評估的預(yù)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(yù)印本論文并開源代碼 = 占坑;

　　寫篇數(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:

　　開源代碼并撰寫相關(guān)論文是“占坑”，復(fù)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~