家人們，大模型圈兒出了個(gè)驚天大瓜。

斯坦福AI團(tuán)隊(duì)，竟然曝出了抄襲事件，而且抄襲的還是中國國產(chǎn)的大模型成果——模型結(jié)構(gòu)和代碼，幾乎一模一樣。跟任何抄襲事故一樣……整個(gè)AI圈內(nèi)都驚呆了。

斯坦福的這項(xiàng)研究叫做Llama3-V，是于5月29日新鮮發(fā)布，宣稱只需要500美元就能訓(xùn)出一個(gè)SOTA多模態(tài)大模型，比GPT-4V、Gemini Ultra、Claude Opus都強(qiáng)。

Llama3-V的3位作者或許是擁有名校頭銜加持，又有特斯拉、SpaceX的大廠相關(guān)背景，這個(gè)項(xiàng)目短短幾天就受到了不小的關(guān)注。

甚至一度沖上了HuggingFace趨勢榜首頁：

然而，戲劇性的一幕開始上演了。

有位細(xì)心的網(wǎng)友發(fā)現(xiàn)，咦？這“配方”怎么如此熟悉？

然后他定睛一看，好家伙，這不就是MiniCPM-Llama3-V 2.5（出自清華系明星創(chuàng)業(yè)公司面壁智能）嘛。

于是這位網(wǎng)友便跑到面壁智能GitHub項(xiàng)目下開始爆料了：你們家的大模型被斯坦福團(tuán)隊(duì)抄襲了！

并且他還附上了一堆的證據(jù)，最直接的莫過于這張2個(gè)模型代碼的對比圖了：

用這位網(wǎng)友的話來說就是：模型結(jié)構(gòu)、代碼、配置文件，簡直一模一樣，只是變量名變了而已。

至于為什么這位網(wǎng)友要跑到GitHub項(xiàng)目下面留言，是因?yàn)樗耙呀?jīng)給Llama3-V作者留過言了，但斯坦福團(tuán)隊(duì)的做法竟是刪庫跑路……

沒錯(cuò)，現(xiàn)在不論是GitHub還是HuggingFace，統(tǒng)統(tǒng)都是404：

并且這事現(xiàn)在還在持續(xù)發(fā)酵的過程中，網(wǎng)上吃瓜的群眾也是越來越多。

那么，我們先來一同回顧一下這件drama事情的始末。

“代碼和架構(gòu)一模一樣”

正如剛才所述，一個(gè)網(wǎng)友爆料Llama3-V抄襲MiniCPM-Llama3-V 2.5，跑到面壁智能的GitHub主頁提醒團(tuán)隊(duì)注意，并把關(guān)鍵證據(jù)都一一截圖列舉整理了下來，這才有了整個(gè)抄襲門的還原現(xiàn)場。

以下是來自這位網(wǎng)友的證據(jù)：

證據(jù)一，Llama3-V的模型架構(gòu)和代碼與MiniCPM-Llama3-V 2.5幾乎完全相同：

看下面的例子，配置文件就改了圖像切片、分詞器、重采樣器和數(shù)據(jù)加載等格式化和變量名：

Llama3-V作者表示參考了LLaVA-UHD架構(gòu)，在ViT和LLM等選擇上有一些差異。但實(shí)際上，網(wǎng)友發(fā)現(xiàn)他們的具體實(shí)現(xiàn)在空間模式等很多方面都與LLaVA-UHD不同，卻出奇與MiniCPM-Llama3-V 2.5一致。

甚至，Llama3-V還用了MiniCPM-Llama3-V 2.5的分詞器，連MiniCPM-Llama3-V 2.5定義的特殊符號都能“巧合”，實(shí)屬離譜。

證據(jù)二，網(wǎng)友質(zhì)疑Llama3-V作者是如何在MinicPM-Llama3-V2.5項(xiàng)目發(fā)布之前，就使用上MinicPM-Llama3-V2.5分詞器。

Llama3-V作者給的回復(fù)，說是用的面壁智能上一代MinicPM-V-2項(xiàng)目的：

但事實(shí)卻是，HuggingFace中，MiniCPM-V2與MiniCPM-Llama3-V 2.5分詞器分別是兩個(gè)文件，文件大小也完全不同。

MiniCPM-Llama3-V 2.5的分詞器是用Llama3分詞器加上MiniCPM-V系列模型的特殊token組成，而MiniCPM-V2的發(fā)布都在Llama3開源之前，怎么會(huì)有Llama3分詞器？

證據(jù)三，Llama3-V作者隨后無故刪除了網(wǎng)友在Llama3-V頁面上提交的質(zhì)疑抄襲的問題。

而且，他們似乎對MiniCPM-Llama3-V 2.5架構(gòu)或他們自己的代碼都不完全了解。

感知器重采樣器（Perceiver resampler）是單層交叉注意力，而不是雙層自注意力。但是下圖所示，Llama3-V的技術(shù)博客里作者的理解很明顯是錯(cuò)的。

SigLIP的Sigmoid激活也不用于訓(xùn)練多模態(tài)大語言模型，而僅用于預(yù)訓(xùn)練SigLIP。

視覺特征提取不需要Sigmoid激活：

基于以上三點(diǎn)事實(shí)，這位網(wǎng)友認(rèn)為足以證據(jù)證明Llama3-V項(xiàng)目竊取了MiniCPM-Llama3-V 2.5項(xiàng)目的學(xué)術(shù)成果。

但還沒完，他隨后又補(bǔ)充了兩點(diǎn)證據(jù)。

幾天前，當(dāng)這位網(wǎng)友嘗試運(yùn)行Llama3-V時(shí)，發(fā)現(xiàn)他們提供的代碼無法與HuggingFace的checkpoint一起使用，反饋問題沒有得到作者回復(fù)。

于是，網(wǎng)友把從HuggingFace下載的Llama3-V模型權(quán)重中的變量名，改成了MiniCPM-Llama3-V 2.5的，驚奇發(fā)現(xiàn)模型居然可以用MiniCPM-V代碼成功運(yùn)行。

此外，如果將高斯噪聲（由單個(gè)標(biāo)量參數(shù)化）添加到MiniCPM-Llama3-V 2.5的checkpoint，結(jié)果就是會(huì)得到一個(gè)行為與Llama3-V極其相似的模型。

收到網(wǎng)友的提醒后，MiniCPM-Llama3-V 2.5團(tuán)隊(duì)這邊也迅速展開了調(diào)查。他們按照網(wǎng)友在GitHub上的說明，使用Llama3-V的checkpoint和MiniCPM-Llama3-V 2.5的代碼、配置文件正確獲取了推理結(jié)果。

于是，一個(gè)更為關(guān)鍵性的證據(jù)出現(xiàn)了：

Llama3-V在一些未公開的實(shí)驗(yàn)性特征上，表現(xiàn)出與MiniCPM-Llama3-V 2.5高度相似的行為，而這些特征是根據(jù)MiniCPM-Llama3-V 2.5團(tuán)隊(duì)內(nèi)部數(shù)據(jù)訓(xùn)練的。

例如，識(shí)別清華簡！

MiniCPM-Llama3-V 2.5特有的功能之一是識(shí)別清華簡，這是一種非常罕見、在戰(zhàn)國時(shí)期寫在竹子上的中國古代文字。

訓(xùn)練圖像是從最近出土的文物中掃描出來的，由MiniCPM-Llama3-V 2.5團(tuán)隊(duì)進(jìn)行了標(biāo)注，尚未公開發(fā)布。

而Llama3-V的識(shí)別情況和MiniCPM-Llama3-V 2.5極為相似。

識(shí)別錯(cuò)誤的情況竟也出奇一致：

MiniCPM-Llama3-V 2.5團(tuán)隊(duì)還在1000張竹簡圖像上測試了幾種基于Llama3的視覺-語言模型，并比較了每對模型的預(yù)測精確匹配。

結(jié)果，每兩個(gè)模型之間的重疊為零，而Llama3-V和MiniCPM-Llama3-V 2.5之間的重疊達(dá)到了驚人的87%。

此外，MiniCPM-Llama3-V 2.5和Llama3-V甚至具有相似的錯(cuò)誤分布。Llama3-V和MiniCPM-Llama3-V 2.5分別做出 236和194個(gè)錯(cuò)誤預(yù)測，重疊部分為182個(gè)。

且按照網(wǎng)友在GitHub上的指令獲得的MiniCPM-Llama3-V2.5-noisy，顯示出與Llama3-V幾乎相同的定量結(jié)果，真令人匪夷所思……

在另一個(gè)MiniCPM-Llama3-V 2.5內(nèi)部數(shù)據(jù)上訓(xùn)練的未公開功能WebAgent上，也出現(xiàn)了同樣的情況。

Llama3-V甚至和MiniCPM-Llama3-V 2.5團(tuán)隊(duì)新定義的WebAgent模式中犯的錯(cuò)誤都一樣。

鑒于這些結(jié)果，MiniCPM-Llama3-V 2.5團(tuán)隊(duì)表示很難將這種不尋常的相似性解釋為巧合，希望Llama3-V作者能對這個(gè)問題給出一個(gè)正式的解釋。

斯坦福團(tuán)隊(duì)已刪庫跑路

雖然斯坦福的2位本科生已經(jīng)下架了幾乎所有與之相關(guān)的項(xiàng)目，但其實(shí)在此之前，他們最初在面對質(zhì)疑的時(shí)候還是做出了些許解釋。

例如他們強(qiáng)調(diào)，Llama3-V這項(xiàng)工作的時(shí)間是要早于面壁智能的MiniCPM，只是使用了他們的tokenizer。

不過作者對Medium上的聲明還是有所保留：

非常感謝那些在評論中指出與之前研究相似之處的人。

我們意識(shí)到我們的架構(gòu)非常類似于OpenBMB的“MiniCPM-Llama3-V 2.5，他們在實(shí)現(xiàn)上比我們搶先一步。

我們已經(jīng)刪除了關(guān)于作者的原始模型。

對此，一部分網(wǎng)友表示，既然選擇刪掉項(xiàng)目，那么就表示確實(shí)存在一定的問題。

不過另一方面，對于抄襲這事也有不一樣的聲音：MiniCPM-Llama3-V 2.5不也是在Llama3的基礎(chǔ)上做的改良嗎？不過連tokenizer都直接拿來用就應(yīng)該不算是借鑒了。

后來，另一個(gè)戲劇性的事情發(fā)生了。斯坦福的作者在中午時(shí)間給出最新的回應(yīng)：

但現(xiàn)在，這條回應(yīng)又刪掉了。

而面壁智能這邊，CEO李大海也做出了正式回應(yīng)：

參考鏈接：

[1]https://github.com/OpenBMB/MiniCPM-V/issues/196

[2]https://github.com/mustafaaljadery/Llama3-V

[3]https://www.reddit.com/r/LocalLLaMA/comments/1d6f1f3/Llama3-V_project_is_stealing_a_lot_of_academic/

[4]https://www.reddit.com/r/LocalLLaMA/comments/1d6f1f3/Llama3-V_project_is_stealing_a_lot_of_academic/?rdt=41696&onetap_auto=true&one_tap=true

[5]https://aksh-garg.medium.com/llama-3v-building-an-open-source-gpt-4v-competitor-in-under-500-7dd8f1f6c9ee

本文來自微信公眾號：量子位（ID：QbitAI），作者：金磊、西風(fēng)