美國斯坦福大學(xué)一個AI團隊主導(dǎo)的開源大模型，被證實套殼抄襲了國內(nèi)清華系明星創(chuàng)業(yè)公司面壁智能的開源模型。目前，該團隊已公開道歉，并將該項目在相關(guān)平臺上的庫一并刪除。

這一事件昨天在國內(nèi)外社交媒體上引發(fā)熱議，#斯坦福抄襲中國大模型#和#斯坦福團隊道歉#，當(dāng)天下午分別沖上微博熱搜第2和第5位。

斯坦福大學(xué)AI團隊

抄襲中國大模型

5月29日，一個來自斯坦福大學(xué)的AI團隊在網(wǎng)上發(fā)表文章《Llama3-V: Matching GPT4-V with a 100x Smaller Model and 500 Dollars》，并開始廣而告之：成功訓(xùn)練出一個SOTA多模態(tài)模型Llama3-V，性能比GPT4-V、Gemini Ultra、Claude Opus更強，但模型要小100倍，且訓(xùn)練成本僅需500美元（折合人民幣約3622元）。后三個大模型，都是全球范圍知名的多模態(tài)“巨無霸”。

由于團隊成員擁有斯坦福大學(xué)（其中兩人是斯坦福大學(xué)本科生）、特斯拉、SpaceX、亞馬遜等亮眼背景，Llama3-V第一時間被推到了聚光燈下，登上開發(fā)者社區(qū)Hugging Face（抱抱臉）首頁，引發(fā)眾多開發(fā)者關(guān)注。

很快，有用戶在Hugging Face以及海外社交平臺X上提出質(zhì)疑：Llama3-V是否套殼MiniCPM-Llama3-V 2.5？后者為面壁智能5月20日推出的開源端側(cè)多模態(tài)模型。

輿論迅速發(fā)酵。經(jīng)過一些開發(fā)者的比較，兩者在模型結(jié)構(gòu)、代碼、配置文件等方面完全相同，只是進(jìn)行了一些重新格式化，并將部分變量重新命名。

面對質(zhì)疑，斯坦福大學(xué)團隊一開始選擇“辯解”：只是使用了MiniCPM-Llama3-V 2.5的tokenizer（分詞器，自然語言處理NLP中的一個關(guān)鍵組件，負(fù)責(zé)將長篇文本內(nèi)容拆解成一個個獨立的單詞或子詞），并且宣稱在它發(fā)布前就已開始這項工作。

兩位斯坦福大學(xué)學(xué)生公開道歉

6月2日晚，面壁智能團隊確認(rèn)抄襲事實。次日，面壁智能首席科學(xué)家劉知遠(yuǎn)在知乎上表示：“已經(jīng)比較確信Llama3-V是對我們MiniCPM-Llama3-V 2.5套殼?！?/p>

他還表示：“人工智能的飛速發(fā)展離不開全球算法、數(shù)據(jù)與模型的開源共享。我們這次開源的MiniCPM-Llama3-V 2.5就用到了最新的Llama3作為語言模型基座。而開源共享的基石是對開源協(xié)議的遵守，對其他貢獻(xiàn)者的信任，對前人成果的尊重和致敬?！?/p>

CEO李大海也在朋友圈發(fā)文：“對這件事深表遺憾。一方面感慨這也是一種受到國際團隊認(rèn)可的方式，另一方面呼吁大家共建開放、合作、有信任的社區(qū)環(huán)境?！?/p>

昨天，Llama3-V團隊的其中兩位成員Aksh Garg（阿克什）和Siddharth Sharma（悉達(dá)多），也就是那兩位斯坦福大學(xué)本科生，已在社交平臺上向面壁智能團隊道歉：“我們向作者道歉，并對自己沒有努力驗證這項工作的原創(chuàng)性感到失望。我們對所發(fā)生的事情承擔(dān)全部責(zé)任，并已撤下Llama3-V，再次致歉。”

同時，Aksh Garg解釋Siddharth Sharma和自己主要是負(fù)責(zé)推廣，編寫代碼的是Mustafa Aljadery（穆斯塔法），而他目前已經(jīng)聯(lián)系不上。

戰(zhàn)國時期的清華簡成為核心證據(jù)

在朋友圈發(fā)文中，李大海給出確認(rèn)抄襲的一大理由是：經(jīng)過測試，面壁智能團隊發(fā)現(xiàn)Llama3-V不僅能識別清華簡的戰(zhàn)國古文字，而且在犯錯的地方也和MiniCPM-Llama3-V 2.5如出一轍。

公開資料顯示，清華簡是清華大學(xué)2008年7月收藏的一批戰(zhàn)國竹簡（年代約為公元前305±30年），屬于中國學(xué)術(shù)史上先秦文獻(xiàn)的重大發(fā)現(xiàn)。此后，清華大學(xué)成立專門研究團隊，先后在已故著名歷史學(xué)家、考古學(xué)家、古文字學(xué)家李學(xué)勤及黃德寬教授的帶領(lǐng)下開展簡文整理研究，以復(fù)原這批幸免于焚書坑儒與秦漢戰(zhàn)火的重要歷史“拼圖”。

這些年里，研究者們在一間不足20平方米的小屋里，用一面42英寸顯示屏讀簡，整理成果以一年一輯的速度出版公布，至今已出版13輯。諸子思想、歷史文化、天文歷法、律法術(shù)數(shù)、醫(yī)學(xué)方技……中國傳統(tǒng)文獻(xiàn)中的經(jīng)史子集均有發(fā)現(xiàn)，竹簡的內(nèi)容逐漸清晰起來。

據(jù)李大海解釋，此次識別清華簡的訓(xùn)練數(shù)據(jù)，采集和標(biāo)注均由清華NLP實驗室和面壁智能團隊完成?！昂臅r數(shù)月，從卷帙浩繁的清華簡中一個字一個字掃描下來，并逐一進(jìn)行數(shù)據(jù)標(biāo)注，融合進(jìn)模型中，且數(shù)據(jù)尚未對外公開?！?/p>

此外，Llama3-V、MiniCPM-Llama3-V 2.5兩個模型在高斯擾動驗證（一種用于驗證模型相似性的方法）后，在正確和錯誤表現(xiàn)方面都高度相似。

巧的是，6月2日，清華大學(xué)在官方微信公眾號上轉(zhuǎn)載了新華社《瞭望》新聞周刊刊發(fā)的特稿《破譯千年竹簡?求索文明密碼》，回憶這2500位先秦“客人”來到清華的故事。

文中提到，清華簡整理研究工作的難點之一，就是“認(rèn)字”?！扒迦A簡是戰(zhàn)國時期楚國人所寫，其中有些字沒有流傳下來，有的字形是首次出現(xiàn)，即便將一些字辨識出來，其字義的理解也需要下大功夫去研究，因為這些竹簡文獻(xiàn)只有極少數(shù)可與傳世文獻(xiàn)對照參證。因此，‘考字釋詞’耗費巨大精力，把字詞探究清楚了，做到文通字順，才能真正了解文獻(xiàn)記載了什么內(nèi)容，進(jìn)而判斷其價值?！?/p>