大模型圈再曝抄袭大瓜，这回，“被告”还是大名鼎鼎的谷歌 DeepMind。
“原告”直接怒喷：他们就是把我们的技术报告洗了一遍！
具体是这么个事儿：
谷歌 DeepMind 一篇中了顶流新生代会议 CoLM 2024 的论文被挂了，瓜主直指其抄袭了一年前就挂在 arXiv 上的一项研究。开源的那种。
两篇论文探讨的都是一种规范模型文本生成结构的方法。
抓马的是，谷歌 DeepMind 这篇论文中确实明晃晃写着引用了“原告”的论文。
然鹅，即便是标明了引用，“原告”的两位论文作者 Brandon T. Willard（布兰登）和 R´emi Louf（雷米）还是坚称谷歌抄袭，并认为：
谷歌对两者差异性的表述“简直荒谬”。
而不少网友看过论文后也缓缓打出一个问号：CoLM 是怎么审的稿？
唯一区别是换了概念？
赶紧瞅一眼论文对比……
先浅看一眼两篇论文的摘要对比。
谷歌 DeepMind 的论文说的是，tokenization 给约束语言模型输出带来了麻烦，他们引入自动机理论来解决这些问题，核心是避免在每个解码步骤遍历所有逻辑值（logits）。
该方法只需要访问每个 token 的解码逻辑值，计算与语言模型的大小无关，高效且易用于几乎所有语言模型架构。
而“原告”的说法大致是：
提出了一个高效框架，通过在语言模型的词汇表上构建索引，来大幅提升约束文本生成的效率。简单来说，就是通过索引避免对全部逻辑值的遍历。
同样“不依赖于具体模型”。
方向上确实大差不差，我们还是接着来看看更多详细内容。
我们用谷歌 Gemini 1.5 Pro 分别总结了两篇论文的主要内容，并接着让 Gemini 来比较两者的异同。
对于“被告”谷歌这篇论文，Gemini 总结其方法是将 detokenization 重新定义为有限状态转换器（FST）操作。
将此 FST 与表示目标形式语言的自动机组合，这种自动机可以用正则表达式或语法来表示。
通过以上结合，生成一个基于 token 的自动机，用于在解码过程中约束语言模型，确保其输出的文本符合预设的形式语言规范。
此外，谷歌论文中还进行了一系列正则表达式扩展，这些扩展通过使用特别命名的捕获组来编写，显著提升了系统处理文本时的效率和表达能力。
而对于“原告”论文，Gemini 总结其方法的核心是将文本生成问题重新定义为有限状态机（FSM）之间的转换。
“原告”的具体方法是：
利用正则表达式或上下文无关文法构建 FSM，并将其用于指导文本生成过程。
通过构建词汇表索引，高效地确定每个步骤中的有效词，避免遍历整个词汇表。
Gemini 列出了两篇论文的共同点。
至于两者的区别，有点像前头那位网友说的，简单总结就是：谷歌将词汇表定义为了一个 FST。
前面也说到了，谷歌在“Related work”中将原告论文列为“最相关”的一项工作：
最相关的研究是 Outlines（Willard&Louf, 2023），该研究同样采用有限状态自动机（FSA）和下推自动机（PDA）作为约束手段 —— 我们的方法是在 2023 年初独立开发的。
谷歌认为两者的差异在于，Outlines 的方法基于一种特制的“索引”操作，需要手动扩展到新的应用场景。相比之下，谷歌使用自动机理论彻底重新定义了整个过程，使得应用 FSA 和泛化到 PDA 变得更加容易。
另一个区别是，谷歌定义了扩展以支持通配符匹配，并提高了可用性。
谷歌紧接着在介绍下面的两项相关工作中，也都提到了 Outlines。
一项是 Yin 等人（2024 年）通过增加“压缩”文本段到预填充的功能，扩展了 Outlines。
另一项是 Ugare 等人（2024 年）近期提出的一个系统，名为 SynCode。它也利用 FSA，但采用 LALR 和 LR 解析器而非 PDA 处理语法。
与 Outlines 类似，该方法依赖于定制算法。
但吃瓜群众们显然不是很买账：
CoLM 的评审们应该注意。我不认为这看上去是各自独立的“同期工作”。
这件事一发酵，不少网友都怒了，抄袭可耻，更何况“科技巨头剽窃小团队的工作成果不是第一次了”。
顺便一提，布兰登和雷米发布原告论文的时候都在给 Normal Computing 远程工作，这家 AI Infra 公司成立于 2022 年。
哦对了，Normal Computing 的创始团队有一部分就来自 Google Brain……
另外，布兰登和雷米现在合伙出来创业了，新公司名叫.txt，官网信息显示，其目标是提供快速可靠的信息提取模型。并且官网挂出的 GitHub 主页，就是 Outlines 仓库。
说回到网友这边，更让大家伙儿生气的是，“这种情况已经变得普遍”。
一位来自荷兰代尔夫特理工大学的博士后分享了自己的遭遇：
去年 10 月我们完成了一项工作，最近有篇已被接收的论文采用了相同的思路和概念，但甚至没有引用我们的论文。
还有一位美国东北大学的老哥更惨，这种情况他遭遇过两次，下手的还都是同一个组。并且对面那位第一作者还给他的 GitHub 加过星标……
不过，也有网友表达了不同的意见：
如果说发个博客文章或未经评估的预印本论文就算占坑了，那人人都会占坑，不是吗？
对此，雷米怒怼：
好家伙，发布预印本论文并开源代码 = 占坑；
写篇数学论文，甚至不需要任何伪代码 = 好工作？？？
布兰登老哥也表示 yue 了：
开源代码并撰写相关论文是“占坑”，复制别人的工作却说“我更早有了这个想法”且投稿了会议反而不是啦？真恶心。
瓜就先吃到这里，对此你有什么想法？不妨在评论区继续讨论~
两篇论文戳这里：
谷歌 DeepMind 论文：https://arxiv.org/abs/2407.08103v1
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。