近日，斯坦福大学AI团队疑似抄袭中国大模型创业公司的消息引发业内高度关注。
6月3日，面壁智能CEO李大海与联合创始人刘知远先后发文，回应开源模型被斯坦福大学AI团队抄袭一事。李大海表示：“我们对这件事深表遗憾。一方面感慨这也是一种受到国际团队认可的方式，另一方面呼吁大家共建开放、合作、有信任的社区环境。”“我们希望团队的好工作被更多人关注与认可，但不是以这种方式。”
5月29日，一个来自斯坦福的AI团队开始在网络上宣传500美元就能训练出一个SOTA 多模态模型，该模型名为Llama3-V，作者声称Llama3-V比GPT-4V、Gemini Ultra、Claude Opus 性能更强。公开资料显示，团队两位成员是来自斯坦福大学的本科生，曾发表多篇机器学习领域论文，实习经历包括了AWS、SpaceX等。
由于该团队成员拥有斯坦福、特斯拉等亮眼背景，Llama3-V项目很快冲到HuggingFace （一个开发者社区和平台）首页，并引发开发者群体的关注。
一位用户在社交平台X 与 HuggingFace 上质疑 llama-3V 是否套壳MiniCPM-Llama3-V 2.5 ，后者为面壁智能推出的开源端侧多模态模型，于 2024 年 5 月 21 日发布。
Llama-3V 团队彼时回应，他们只是使用了 MiniCPM-Llama3-V 2.5 的tokenizer（分词器，自然语言处理中的一个重要组成部分），并在 MiniCPM-Llama3-V 2.5 发布前就开始了这项工作。但团队并未解释如何做到在MiniCPM-Llama3-V 2.5发布之前就获取详细tokenizer的具体方式。
但随后，关于上述AI团队抄袭的声音越来越多。比如，Llama3-V的模型结构和配置文件与MiniCPM-Llama3-V 2.5完全相同，只是进行了一些重新格式化并将部分变量重新命名，如图像切片、分词器、重采样器、数据加载等变量。Llama3-V也具有与MiniCPM-Llama3V 2.5相同的分词器，包括MiniCPM-Llama3-V 2.5新定义的特殊符号。
据HuggingFace 页面显示，最初Llama3-V的作者在上传代码时直接导入了 MiniCPM-V 的代码，然后将名称更改为 Llama3-V。但作为其中一个作者，Mustafa Aljadery（穆斯塔法·阿尔贾德里）并不认为该行为属于抄袭。他发文称，llama3-v推理存在bug，并不是抄袭。“我已经指出了架构是相似的，但MiniCPM的架构来自Idéfics，我们遵循Idéfics论文中的那些内容。架构是基于综合研究的，你怎么能说它是MiniCPM呢？MiniCPM代码的视觉部分看起来也是从Idéfics那里使用的。”
在李大海看来，另一证据在于Llama3-V同样使用了面壁智能团队新设置的清华简识别能力（清华大学于2008年7月收藏的一批战国竹简），且呈现的做错案例都与MiniCPM一模一样，而这一训练数据尚未完全公开。李大海称，这项工作是团队同学耗时数个月，从卷帙浩繁的清华简中一个字一个字扫描下来，并逐一进行数据标注，融合进模型中的。更加微妙的是，两个模型在高斯扰动验证（一种用于验证模型相似性的方法）后，在正确和错误表现方面都高度相似。
目前，上述斯坦福AI团队已对HuggingFace 上的Llama3-V模型进行隐藏处理，作者解释该动作时表示：“我是为了修复模型的推理问题而将其隐藏，因为模型必须有特定的配置运行。”
“非常抱歉，我删除了它们，因为推理代码还没有准备好，每个人都有运行错误。我觉得人们现在最好不要用。你必须有特殊的配置。我一修好就把它放回去。”上述团队回应。
记者向作者团队之一的Siddharth Sharma发送邮件，询问删库动作的具体原因，以及后续在满足什么条件后会进行大模型的恢复。截至发稿前，暂未得到回应。
刘知远对此事评论称，人工智能的飞速发展离不开全球算法、数据与模型的开源共享，让人们始终可以站在SOTA的肩上持续前进。面壁开源的 MiniCPM-Llama3-V 2.5 就用了最新的Llama3 作为语言模型基座。而开源共享的基石是对开源协议的遵守，对其他贡献者的信任，对前人成果的尊重和致敬，Llama3-V团队无疑严重破坏了这一点。他们在受到质疑后已在Huggingface删库，该团队三人中的两位也只是斯坦福大学本科生，未来还有很长的路，如果知错能改，善莫大焉。
刘知远表示，国内大模型团队如智谱-清华GLM、阿里Qwen、DeepSeek和面壁-清华OpenBMB正在通过持续的开源共享，在国际上受到了广泛的关注和认可，“这次事件也算侧面反映出，我们的创新成果也一直受到国际关注。”刘知远说。
责任编辑：刘万里 SF014
