6 月 14 - 15 日 ArchSummit 环球架构师峰会·深圳，深度探索大模型时期软件架构最佳设计。
5 月 29 日，一个来自斯坦福的作者团队在 Medium 上发布了一篇名为《Llama 3-V: Matching GPT4-V with a 100x smaller model and 500 dollars》的文章，文章中称他们演习出了一个比 GPT-4V、Gemini Ultra、Claude Opus 更强的 SOTA 开源多模态模型，尺寸比 GPT4-V 小 100 倍，演习本钱仅需 500 美元。
斯坦福 AI 团队“套壳”清华系开源大模型被实锤该团队成员 Aksh Garg 也在 X（原 Twitter）上发贴先容了这一模型的特点。没过多久该帖的浏览量已超过 30 万，被转发了 300 多次，Llama 3-V 的项目一下子冲到了 HuggingFace 首页。
随着该项目热度的持续走高，不少 X 和 HuggingFace 上的网友把稳到，Llama 3-V 总是让人有种似曾相识的觉得，彷佛在哪里见到过！
网友们接着深扒后创造， Llama 3-V 彷佛，有点，彷佛是套壳了清华系开源大模型 MiniCPM-Llama3-V 2.5。
据悉，MiniCPM-Llama3-V 2.5 是由清华系 AI 公司面壁智能推出并开源的 MiniCPM 系列最新的端侧多模态模型，总参数量为 8B，支持 30+ 种措辞，多模态综合性能超越 GPT-4V-1106、Gemini Pro、Claude 3、Qwen-VL-Max 等商用闭源模型，OCR 能力及指令跟随能力得到进一步提升，可精准识别难图、长图、长文本。
面对网友们的质疑，斯坦福这支 AI 团队也坐不住了，他们表示只是利用了 MiniCPM-Llama3-V 2.5 的 tokenizer，并且流传宣传在 MiniCPM-Llama3-V 2.5 发布前就开始了这项事情。
但他们的阐明再次遭到了质疑。
常日情形下，一款模型及其详细的 tokenizer 每每是在其发布后才能被外人知晓，那么斯坦福这支 AI 团队如何能在 MiniCPM-Llama3-V 2.5 发布之前就获取到这些信息？
这件事持续在网上发酵。
6 月 2 日，不去世心的网友在 Llama3-V 的 GitHub Issue 上发布质疑，或许是由于心虚，该条质疑的评论很快就被 Llama3-V 团队删除。
幸运的是，发布质疑的网友早已机警地提前截图保存了自己在 GitHub Issue 上发布的内容。
这名网友列举了在他看来 Llama3-V“套壳” MiniCPM-Llama3-V 2.5 的四点证据：
证据一：模型构造和代码险些是双胞胎兄弟。
比如，套壳的 Llama3-V 与 MiniCPM-Llama3-V 2.5 险些“共用”了完备相同的模型构造和代码。Llama3-V 的模型构造和配置文件与 MiniCPM-Llama3-V 2.5 完备相同，只是变量名不同。
左图：MiniCPM-Llama3-V 2.5 右图：Llama3-V
证据二：Llama3-V 的代码彷佛便是 MiniCPM-Llama3-V 2.5 的代码。更令人震荡的是，Llama3-V 仅仅只是进行了一些重新格式化并把一些变量重新做了命名，比如图像切片、分词器、重采样器、数据加载等变量，下图是一些示例。
证据三：Llama3-V 的作者表示他们“引用了 LLaVA-UHD 作为架构”，还列出了差异点（关于 ViT 和 LLM 的选择）。但是他们并没有提到，这个项目的详细实现与 MiniCPM-Llama3-V 2.5 极其相似，却在空间模式等许多方面与 LLaVA-UHD 有非常多的差异。Llama3-V 也具有与 MiniCPM-Llama3V 2.5 相同的分词器，包括 MiniCPM-Llama3-V 2.5 新定义的分外符号。
证据四： 最初 Llama3-V 的作者在上传代码时直接导入了 MiniCPM-V 的代码，然后将名称变动为 Llama3-V。
https://huggingface.co/mustafaaljadery/llama3v/commit/3bee89259ecac051d5c3e58ab619e3fafef20ea6
面壁智能团队了局实锤，斯坦福 AI 团队连夜删库跑路
在屡遭质疑后，斯坦福 AI 团队已经被逼到了不回应实在说不过去的地步了，有网友开脸贴大该项目的作者，“你们有没有勇气面对事实”？
这种情形下，该团队成员不得不对网友关注的问题进行了回答。该项目中的一位作者表示：
“你们的说我们抄袭切实其实是没影儿的事儿。Llama3-V 推理存在 bug，而 MiniCPM 的配置可以有效办理该问题，这便是为什么我们利用了相同的配置。此外，我已经指出了架构是相似的，但 MiniCPM 的架构来自 Idéfics。SigLIP 也来自 Idéfics。我们遵照 Idéfics 论文中的那些内容。LLava UHD 来自他们的实验室，我也已经指出了这一点。此外，我还强调了更多内容，即它是相同的架构，但该架构是基于综合研究的，你怎么能说它是 MiniCPM 呢？MiniCPM 的代码，看起来，视觉部分的也是从 Idéfics 那里利用的。”
不少网友还把稳到，Llama3-V 在 MiniCPM-Llama3-V 2.5 项目发布之前就已经利用了 MiniCPM-Llama3-V 2.5 的 tokenizer 。有一些用户在 Twitter 和 HuggingFace 上指出以上问题后，Llama3-V 的作者表示他们只是利用了 MiniCPM-Llama3-V 2.5 的分词器（tokenizer）。他们还声称在 MiniCPM-Llama3-V 2.5 发布之前就开始了 Llama3-V 的事情。但令人无法阐明的是，他们如何能在 MiniCPM-Llama3-V 2.5 发布之前就获取到其详细的分词器？
对此，Llama3-V 项目作者回嘴说从已经发布的上一代 MinicPM-V-2 项目里拿的标记器。但实际上，有网友留神到，MiniCPM-V-2 的 tokenizer 与 MinicPM-Llama3-V2.5 完备不同，在 Huggingface 里是两个文件。既不是同一个 tokenizer 件，文件大小也完备不同。MinicPM-Llama3-v2.5 的 tokenizer 是 Llama3 的 tokenizer 加上 MiniCPM-V 系列模型的一些分外 token 组成，MiniCPM-v2 由于在 Llama 3 开源之前就发布的，不会有 Llama 3 的分词器。
Llama3-V 团队屡遭质疑却始终咬去世不认的态度，惹怒了面壁智能 MiniCPM-Llama3-V 2.5 团队的研究职员们。
6 月 3 日，面壁智能向 AI 前哨列举了一些 Llama3-V 团队抄袭的“实锤”。
面壁智能认为，Llama3-V 项目的作者彷佛并不完备理解 MiniCPM-Llama3-V 2.5 的架构，乃至也不理解他们自己的代码。
如下图 Llama3-V 的技能博客和代码显示， Llama3-V 的作者彷佛没有完备理解 MiniCPM-Llama3-V 2.5 的架构，乃至也不懂他们"自己"（假若真是他们所写）的代码。
感知看重采样器（Perceiver resampler）是单层 cross-attention，而不是双层 self-attention。但是下图所示 Llama3-V 的技能博客里作者的理解很明显是错的。其余 SigLIP 的 Sigmoid 激活也不用于演习多模态大措辞模型，而仅用于预演习 SigLIP。
截图来源：Llama3-V 的技能博客
截图来源：Llama3-V 的代码
面壁智能团队还表示：“其余视觉特色提取不须要 Sigmoid 激活，但下图所示 Llama3-V 的技能博客里作者的理解是错的，但代码实在是精确的，这解释作者压根不理解自己的代码”。
此外，Llama3-V 相称于 MiniCPM-Llama3-V 2.5 的加噪声版本。
据网友反馈，当运行 Llama3-V 时，作者供应的代码无法与 HuggingFace 上的 checkpoint 合营利用。
然而令人啼笑皆非的是，当把 Llama3-V 模型权重中的变量名变动为 MiniCPM-Llama3-V 2.5 的名称后，模型可以成功运行 MiniCPM-V 的代码。这一下子帮忙办理了困扰 Llama3-V 作者一周的问题。
如果在 MiniCPM-Llama3-V 2.5 的 checkpoint 上添加一个大略的高斯噪声（由一个标量参数化），你会预期得到什么结果？
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)
结果是会得到一个行为与 Llama3-V 极为相似的模型。
然而，这些还不足。更更更炸裂的是，Llama3-V 连清华团队内部并未对外公开的私有数据都能拿到？？？
据面壁智能内部团队透露，Llama3-V 大模型居然能识别清华简，OCR 表现比拟也很惊人，这些清华大学内部的私有数据他们又是如何拿到的呢？
MiniCPM-Llama3-V 2.5 的一个实验性功能是能够识别清华简，这是一种非常分外且罕见的中国战国期间（公元前 475 年年夜公元前 221 年）写在竹简上的古笔墨。这些演习数据的采集和标注均有由清华 NLP 实验室和面壁智能团队完成，干系数据尚未对外公开。经由专有数据演习后，MiniCPM-Llama3-V 2.5 能够初步识别清华简的笔墨，乃至连犯的缺点都一样。
然而令人惊异的是，不可能得到专有数据演习的 Llama3-V 竟然也具有相同的能力！
下图展示了 Llama3-V 在识别清华简的笔墨时，其结果和 MiniCPM-Llama3-V 2.5 同等。
有趣的是，Llama3-V 在清华简识别犯错时竟然也和 MiniCPM-Llama3-V 2.5 千篇一律。
为谨慎起见，作者在 1000 张竹简图像上测试了几种基于 Llama3 的视觉-措辞模型，并比较了每对模型的预测精确匹配。
结果显示，正常情形下每两个模型之间的重叠为零，而 Llama3-V 和 MiniCPM-Llama3-V 2.5 之间的重叠竟然达到了惊人的 87%！
此外，MiniCPM-Llama3-V 2.5 和 Llama3-V 乃至在缺点分布上也非常相似。Llama3-V 和 MiniCPM-Llama3-V 2.5 分别有 236 和 194 个缺点预测，而个中重叠部分高达 182 个。
其余，这个高斯噪声对竹简字符也是有效的。
与 MiniCPM-Llama3-V 2.5 类似，Llama3-V 也显示出了很强的 OCR 能力，乃至包括中文。
Prompt：请输出图片中的笔墨
MiniCPM-Llama3-V 2.5
### 标题9倍像素更清晰### 副标题难图长图长文本精准识别### 正文OCR技能进一步打磨，繁芜推理与多模态识别能力再进化，MiniCPM-Llama3-V2.5对付难图、长图、长文本的精准识别，再度带来出众表现！
面壁自研高清图像高效编码技能，我们可以高效编码及无损识别180万高清像素图片，并且支持任意长宽比、乃至「有点变态」的1:9极限比例图像，打破了传统技能仅能识别20万像素小图的瓶颈。此前，MiniCPM-V系列多模态模型就因对付街景、长图等困难场景的高效解析，赢得了良好口碑。### 图片描述1. 180万像素 - 任意长宽比 - 图像无损识别 - 可支持 - 1:9极限宽高比
复制代码
Llama 3-V
### 标题9倍像素更清晰### 副标题难图长图文本精准识别### 正文OCR技能进一步打磨，繁芜推理与多模态识别能力再进化，MiniCPM-Llama3-V2.5对付难图、长文本的精准识别，再度带来出众表现。面壁自研高清图像高效编码技能，我们可以高效编码及无损识别180万高清像素图片，并且支持任意长宽比、乃至「有点变态」的1:9极限比例图像，打破了传统技能仅能识别20万像素小图的瓶颈。此前，MiniCPM-V系列多模态模型就因对付街景、长图等困难场景的高效解析，赢得了良好口碑。### 图片描述- 180万像素：任意长宽比，图像无损识别，可支持。- 1:9极限宽高比：可支持。
复制代码
同样的事情也发生在内部的 WebAgent 数据上，这是一个已经整合但尚未发布的功能。
Q:Actions Historyclick, input, clickYour TaskCan 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>
复制代码
Q:Your Task有没有关于《黑子的篮球》的新戏院版的？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>
复制代码
Github 开源：https://github.com/mustafaaljadery/llama3v（已删库）
HuggingFace 开源：https://huggingface.co/mustafaaljadery/llama3v（已删库）
Medium 发布文章：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（已删除）
事情发酵至此，就在网友们都等着斯坦福 AI 团队再次发文力证明净时，AI 前哨留神到，该团队成员彷佛集体“闭麦”，并且已经删除了他们在 X 上官宣模型的推文，连带着该项目在 Github 和 HuggingFace 上的库也已经删干净了。
而本日，面壁智能联合创始人 &CEO 李大海也在朋友圈发文对此事进行了最新回应，李大海对此事表示遗憾。他写道：
“经由团队核实，除了社区网友列出的证据外，我们还创造 Llama3v 展现出和小钢炮一样的清华简识别能力，连做错的样例都千篇一律，而这一演习数据尚未对外公开。这项事情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，领悟进模型中的。更加 tricky 的是，两个模型在高斯扰动验证后，在精确和缺点表现方面都高度相似。
技能创新不易，每一项事情都是团队夜以继日的奋斗结果，也因此有限算力对全天下技能进步与创新发展作出的诚挚奉献。我们希望团队的好事情被更多人关注与认可，但不因此这种办法。
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办法，另一方面也呼吁大家共建开放、互助、有信赖的社区环境。一起加油互助，让天下因 AGI 的到来变得更好!”