谷歌DeepMind被曝抄襲開(kāi)源成果，論文還中了頂流會(huì)議

2024年07月15日 15:27:04 來(lái)源：量子位公眾號(hào)

　　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(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Gemini1.5Pro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(lèi)似，該方法依賴于定制算法。

　　但吃瓜群眾們顯然不是很買(mǎi)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)。