斯坦福AI團(tuán)隊(duì)“套殼”清華系開源大模型被實(shí)錘！被揭穿后全網(wǎng)刪庫跑路

整理｜冬梅

5 月 29 日，一個(gè)來自斯坦福的作者團(tuán)隊(duì)在 Medium 上發(fā)布了一篇名為《Llama 3-V: Matching GPT4-V with a 100x smaller model and 500 dollars》的文章，文章中稱他們訓(xùn)練出了一個(gè)比 GPT-4V、Gemini Ultra、Claude Opus 更強(qiáng)的 SOTA 開源多模態(tài)模型，尺寸比 GPT4-V 小 100 倍，訓(xùn)練成本僅需 500 美元。

該團(tuán)隊(duì)成員 Aksh Garg 也在 X（原 Twitter）上發(fā)貼介紹了這一模型的特點(diǎn)。沒過多久該帖的瀏覽量已超過 30 萬，被轉(zhuǎn)發(fā)了 300 多次，Llama 3-V 的項(xiàng)目一下子沖到了 HuggingFace 首頁。

隨著該項(xiàng)目熱度的持續(xù)走高，不少 X 和 HuggingFace 上的網(wǎng)友注意到，Llama 3-V 總是讓人有種似曾相識(shí)的感覺，好像在哪里見到過！

網(wǎng)友們接著深扒后發(fā)現(xiàn)， Llama 3-V 似乎，有點(diǎn)，好像是套殼了清華系開源大模型 MiniCPM-Llama3-V 2.5。

據(jù)悉，MiniCPM-Llama3-V 2.5 是由清華系 AI 公司面壁智能推出并開源的 MiniCPM 系列最新的端側(cè)多模態(tài)模型，總參數(shù)量為 8B，支持 30+ 種語言，多模態(tài)綜合性能超越 GPT-4V-1106、Gemini Pro、Claude 3、Qwen-VL-Max 等商用閉源模型，OCR 能力及指令跟隨能力得到進(jìn)一步提升，可精準(zhǔn)識(shí)別難圖、長圖、長文本。

面對(duì)網(wǎng)友們的質(zhì)疑，斯坦福這支 AI 團(tuán)隊(duì)也坐不住了，他們表示只是使用了 MiniCPM-Llama3-V 2.5 的 tokenizer，并且宣稱在 MiniCPM-Llama3-V 2.5 發(fā)布前就開始了這項(xiàng)工作。

但他們的解釋再次遭到了質(zhì)疑。

通常情況下，一款模型及其詳細(xì)的 tokenizer 往往是在其發(fā)布后才能被外人知曉，那么斯坦福這支 AI 團(tuán)隊(duì)如何能在 MiniCPM-Llama3-V 2.5 發(fā)布之前就獲取到這些信息？

這件事持續(xù)在網(wǎng)上發(fā)酵。

6 月 2 日，不死心的網(wǎng)友在 Llama3-V 的 GitHub Issue 上發(fā)布質(zhì)疑，或許是因?yàn)樾奶?，該條質(zhì)疑的評(píng)論很快就被 Llama3-V 團(tuán)隊(duì)刪除。

幸運(yùn)的是，發(fā)布質(zhì)疑的網(wǎng)友早已機(jī)智地提前截圖保存了自己在 GitHub Issue 上發(fā)布的內(nèi)容。

這名網(wǎng)友列舉了在他看來 Llama3-V“套殼” MiniCPM-Llama3-V 2.5 的四點(diǎn)證據(jù)：

證據(jù)一：模型結(jié)構(gòu)和代碼幾乎是雙胞胎兄弟。

比如，套殼的 Llama3-V 與 MiniCPM-Llama3-V 2.5 幾乎“共用”了完全相同的模型結(jié)構(gòu)和代碼。Llama3-V 的模型結(jié)構(gòu)和配置文件與 MiniCPM-Llama3-V 2.5 完全相同，只是變量名不同。

證據(jù)二：Llama3-V 的代碼似乎就是 MiniCPM-Llama3-V 2.5 的代碼。更令人震驚的是，Llama3-V 僅僅只是進(jìn)行了一些重新格式化并把一些變量重新做了命名，比如圖像切片、分詞器、重采樣器、數(shù)據(jù)加載等變量，下圖是一些示例。

證據(jù)三：Llama3-V 的作者表示他們“引用了 LLaVA-UHD 作為架構(gòu)”，還列出了差異點(diǎn)（關(guān)于 ViT 和 LLM 的選擇）。但是他們并沒有提到，這個(gè)項(xiàng)目的具體實(shí)現(xiàn)與 MiniCPM-Llama3-V 2.5 極其相似，卻在空間模式等許多方面與 LLaVA-UHD 有非常多的差異。Llama3-V 也具有與 MiniCPM-Llama3V 2.5 相同的分詞器，包括 MiniCPM-Llama3-V 2.5 新定義的特殊符號(hào)。

證據(jù)四：最初 Llama3-V 的作者在上傳代碼時(shí)直接導(dǎo)入了 MiniCPM-V 的代碼，然后將名稱更改為 Llama3-V。

https://huggingface.co/mustafaaljadery/llama3v/commit/3bee89259ecac051d5c3e58ab619e3fafef20ea6

在屢遭質(zhì)疑后，斯坦福 AI 團(tuán)隊(duì)已經(jīng)被逼到了不回應(yīng)實(shí)在說不過去的地步了，有網(wǎng)友開臉貼大該項(xiàng)目的作者，“你們有沒有勇氣面對(duì)事實(shí)”？

這種情況下，該團(tuán)隊(duì)成員不得不對(duì)網(wǎng)友關(guān)注的問題進(jìn)行了回復(fù)。該項(xiàng)目中的一位作者表示：

“你們說我們抄襲簡直是沒影兒的事兒。Llama3-V 推理存在 bug，而 MiniCPM 的配置可以有效解決該問題，這就是為什么我們使用了相同的配置。此外，我已經(jīng)指出了架構(gòu)是相似的，但 MiniCPM 的架構(gòu)來自 Idéfics。SigLIP 也來自 Idéfics。我們遵循 Idéfics 論文中的那些內(nèi)容。LLava UHD 來自他們的實(shí)驗(yàn)室，我也已經(jīng)指出了這一點(diǎn)。此外，我還強(qiáng)調(diào)了更多內(nèi)容，即它是相同的架構(gòu)，但該架構(gòu)是基于綜合研究的，你怎么能說它是 MiniCPM 呢？MiniCPM 的代碼，看起來，視覺部分的也是從 Idéfics 那里使用的?！?/span>

不少網(wǎng)友還注意到，Llama3-V 在 MiniCPM-Llama3-V 2.5 項(xiàng)目發(fā)布之前就已經(jīng)使用了 MiniCPM-Llama3-V 2.5 的 tokenizer 。有一些用戶在 Twitter 和 HuggingFace 上指出以上問題后，Llama3-V 的作者表示他們只是使用了 MiniCPM-Llama3-V 2.5 的分詞器（tokenizer）。他們還聲稱在 MiniCPM-Llama3-V 2.5 發(fā)布之前就開始了 Llama3-V 的工作。但令人無法解釋的是，他們?nèi)绾文茉?MiniCPM-Llama3-V 2.5 發(fā)布之前就獲取到其詳細(xì)的分詞器？

對(duì)此，Llama3-V 項(xiàng)目作者反駁說從已經(jīng)發(fā)布的上一代 MinicPM-V-2 項(xiàng)目里拿的標(biāo)記器。但實(shí)際上，有網(wǎng)友留意到，MiniCPM-V-2 的 tokenizer 與 MinicPM-Llama3-V2.5 完全不同，在 Huggingface 里是兩個(gè)文件。既不是同一個(gè) tokenizer 件，文件大小也完全不同。MinicPM-Llama3-v2.5 的 tokenizer 是 Llama3 的 tokenizer 加上 MiniCPM-V 系列模型的一些特殊 token 組成，MiniCPM-v2 因?yàn)樵?Llama 3 開源之前就發(fā)布的，不會(huì)有 Llama 3 的分詞器。

Llama3-V 團(tuán)隊(duì)屢遭質(zhì)疑卻始終咬死不認(rèn)的態(tài)度，惹怒了面壁智能 MiniCPM-Llama3-V 2.5 團(tuán)隊(duì)的研究人員們。

6 月 3 日，面壁智能向 AI 前線列舉了一些 Llama3-V 團(tuán)隊(duì)抄襲的“實(shí)錘”。

面壁智能認(rèn)為，Llama3-V 項(xiàng)目的作者似乎并不完全理解 MiniCPM-Llama3-V 2.5 的架構(gòu)，甚至也不理解他們自己的代碼。

如下圖 Llama3-V 的技術(shù)博客和代碼顯示， Llama3-V 的作者似乎沒有完全理解 MiniCPM-Llama3-V 2.5 的架構(gòu)，甚至也不懂他們"自己"（假若真是他們所寫）的代碼。

感知器重采樣器（Perceiver resampler）是單層 cross-attention，而不是雙層 self-attention。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。另外 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。

截圖來源：Llama3-V 的技術(shù)博客

截圖來源：Llama3-V 的代碼

面壁智能團(tuán)隊(duì)還表示：“另外視覺特征提取不需要 Sigmoid 激活，但下圖所示 Llama3-V 的技術(shù)博客里作者的理解是錯(cuò)的，但代碼其實(shí)是正確的，這說明作者壓根不理解自己的代碼”。

此外，Llama3-V 相當(dāng)于 MiniCPM-Llama3-V 2.5 的加噪聲版本。

據(jù)網(wǎng)友反饋，當(dāng)運(yùn)行 Llama3-V 時(shí)，作者提供的代碼無法與 HuggingFace 上的 checkpoint 配合使用。

然而令人啼笑皆非的是，當(dāng)把 Llama3-V 模型權(quán)重中的變量名更改為 MiniCPM-Llama3-V 2.5 的名稱后，模型可以成功運(yùn)行 MiniCPM-V 的代碼。這一下子幫忙解決了困擾 Llama3-V 作者一周的問題。

如果在 MiniCPM-Llama3-V 2.5 的 checkpoint 上添加一個(gè)簡單的高斯噪聲（由一個(gè)標(biāo)量參數(shù)化），你會(huì)預(yù)期得到什么結(jié)果？

new_dict = {}
for k, v in model.state_dict().items():
    torch.cuda.manual_seed_all(42)
    new_dict[k] = v + torch.randn_like(v) / 708
model.load_state_dict(new_dict)

結(jié)果是會(huì)得到一個(gè)行為與 Llama3-V 極為相似的模型。

然而，這些還不夠。更更更炸裂的是，Llama3-V 團(tuán)隊(duì)連清華團(tuán)隊(duì)內(nèi)部并未對(duì)外公開的私有數(shù)據(jù)都能拿到？？？

據(jù)面壁智能內(nèi)部團(tuán)隊(duì)透露，Llama3-V 大模型居然能識(shí)別清華簡，OCR 表現(xiàn)對(duì)比也很驚人，這些清華大學(xué)內(nèi)部的私有數(shù)據(jù)他們又是如何拿到的呢？

MiniCPM-Llama3-V 2.5 的一個(gè)實(shí)驗(yàn)性功能是能夠識(shí)別清華簡，這是一種非常特殊且罕見的中國戰(zhàn)國時(shí)期（公元前 475 年至公元前 221 年）寫在竹簡上的古文字。這些訓(xùn)練數(shù)據(jù)的采集和標(biāo)注均有由清華 NLP 實(shí)驗(yàn)室和面壁智能團(tuán)隊(duì)完成，相關(guān)數(shù)據(jù)尚未對(duì)外公開。經(jīng)過專有數(shù)據(jù)訓(xùn)練后，MiniCPM-Llama3-V 2.5 能夠初步識(shí)別清華簡的文字，甚至連犯的錯(cuò)誤都一樣。

然而令人驚訝的是，不可能獲得專有數(shù)據(jù)訓(xùn)練的 Llama3-V 竟然也具有相同的能力！

下圖展示了 Llama3-V 在識(shí)別清華簡的文字時(shí)，其結(jié)果和 MiniCPM-Llama3-V 2.5 一致。

有趣的是，Llama3-V 在清華簡識(shí)別犯錯(cuò)時(shí)竟然也和 MiniCPM-Llama3-V 2.5 一模一樣。

為謹(jǐn)慎起見，作者在 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(duì)模型的預(yù)測精確匹配。

結(jié)果顯示，正常情況下每兩個(gè)模型之間的重疊為零，而 Llama3-V 和 MiniCPM-Llama3-V 2.5 之間的重疊竟然達(dá)到了驚人的 87%！此外，MiniCPM-Llama3-V 2.5 和 Llama3-V 甚至在錯(cuò)誤分布上也非常相似。Llama3-V 和 MiniCPM-Llama3-V 2.5 分別有 236 和 194 個(gè)錯(cuò)誤預(yù)測，而其中重疊部分高達(dá) 182 個(gè)。

另外，這個(gè)高斯噪聲對(duì)竹簡字符也是有效的。

與 MiniCPM-Llama3-V 2.5 類似，Llama3-V 也顯示出了很強(qiáng)的 OCR 能力，甚至包括中文。

Prompt：請(qǐng)輸出圖片中的文字

MiniCPM-Llama3-V 2.5

### 標(biāo)題
9 倍像素更清晰

### 副標(biāo)題
難圖長圖長文本精準(zhǔn)識(shí)別

### 正文
OCR 技術(shù)進(jìn)一步打磨，復(fù)雜推理與多模態(tài)識(shí)別能力再進(jìn)化，MiniCPM-Llama3-V2.5 對(duì)于難圖、長圖、長文本的精準(zhǔn)識(shí)別，再度帶來出眾表現(xiàn)！面壁自研高清圖像高效編碼技術(shù)，我們可以高效編碼及無損識(shí)別 180 萬高清像素圖片，并且支持任意長寬比、甚至「有點(diǎn)變態(tài)」的 1:9 極限比例圖像，突破了傳統(tǒng)技術(shù)僅能識(shí)別 20 萬像素小圖的瓶頸。此前，MiniCPM-V 系列多模態(tài)模型就因?qū)τ诮志?、長圖等困難場景的高效解析，贏得了良好口碑。

### 圖片描述
1. **180 萬像素 **
   - 任意長寬比
   - 圖像無損識(shí)別
   - 可支持
   - 1:9 極限寬高比

Llama3-V

### 標(biāo)題
9 倍像素更清晰

### 副標(biāo)題
難圖長圖文本精準(zhǔn)識(shí)別

### 正文
OCR 技術(shù)進(jìn)一步打磨，復(fù)雜推理與多模態(tài)識(shí)別能力再進(jìn)化，MiniCPM-Llama3-V2.5 對(duì)于難圖、長文本的精準(zhǔn)識(shí)別，再度帶來出眾表現(xiàn)。面壁自研高清圖像高效編碼技術(shù)，我們可以高效編碼及無損識(shí)別 180 萬高清像素圖片，并且支持任意長寬比、甚至「有點(diǎn)變態(tài)」的 1:9 極限比例圖像，突破了傳統(tǒng)技術(shù)僅能識(shí)別 20 萬像素小圖的瓶頸。此前，MiniCPM-V 系列多模態(tài)模型就因?qū)τ诮志?、長圖等困難場景的高效解析，贏得了良好口碑。

### 圖片描述
- **180 萬像素 **：任意長寬比，圖像無損識(shí)別，可支持。
- **1:9 極限寬高比 **：可支持。

同樣的事情也發(fā)生在內(nèi)部的 WebAgent 數(shù)據(jù)上，這是一個(gè)已經(jīng)整合但尚未發(fā)布的功能。

Q:
Actions History
click, input, click
Your Task
Can you give me a recipe for French butter cake?
Generate next actions to do this task.

minicpmv:
actions:
click,<box>32 273 477 508</box>
click,<box>32 273 477 508</box>

llama3v:
actions:
click,<box>32 273 477 508</box>
click,<box>32 273 477 508</box>

Q:
Your Task
有沒有關(guān)于《黑子的籃球》的新劇場版的消息？
Generate next actions to do this task.

minicpmv:
actions:
hover,<box>732 292 792 328</box>

llama3v:
actions:
hover,<box>715 292 802 328</box>

事情發(fā)酵至此，就在網(wǎng)友們都等著斯坦福 AI 團(tuán)隊(duì)再次發(fā)文力證清白時(shí)，AI 前線留意到，該團(tuán)隊(duì)成員似乎集體“閉麥”，并且已經(jīng)刪除了他們?cè)?X 上官宣模型的推文，連帶著該項(xiàng)目在 Github 和 HuggingFace 上的庫也已經(jīng)刪干凈了。

Github 開源：

https://github.com/mustafaaljadery/llama3v（已刪庫）

HuggingFace 開源：

https://huggingface.co/mustafaaljadery/llama3v（已刪庫）

Medium 發(fā)布文章：

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

Twitter 官宣模型：

https://twitter.com/AkshGarg03/status/1795545445516931355（已刪除）

而面壁智能團(tuán)隊(duì)成員也對(duì)此事進(jìn)行了最新回應(yīng)，他們表示看到這個(gè)消息還是挺讓人傷心的。他們調(diào)查的結(jié)論是：

1、Llama3-V 可以使用更改參數(shù)名稱后的 MiniCPM-Llama3-V 2.5 的代碼和配置來運(yùn)行

2、它的行為類似于 MiniCPM-Llama3-V 2.5 在內(nèi)部數(shù)據(jù)上訓(xùn)練的未透露的實(shí)驗(yàn)特征，例如識(shí)別清華簡（一種特殊類型的古代漢字）和 GUIAgent

3、它有點(diǎn)類似于噪聲版的 MiniCPM-Llama3-V 2.5?