被“斯坦福团队”抄袭，这家公司什么来头

因为一起抄袭事件，面壁智能意外出圈。

5月末，斯坦福大学的一个研究团队发布模型“Llama3V”，号称只花了500美元，却做了一个“SOTA多模态模型”。在AI行业，SOTA（State Of The Art）的意思是“最先进的”“最优的”，指“在某一特定任务、领域或指标上，当前已知的最佳性能或最先进的技术”。

模型的受关注度，或许佐证了“实力”。Llama3V发布不久，即在上万个模型的社区Hugging Face上名列前茅，排名最高时，位列模型“周排行”的第四位。

只是很快，用户指出Llama3V“套壳”了中国AI公司面壁智能发布的开源模型MiniCPMLlama3-V 2.5。

斯坦福团队试图抵赖，没撑多久。6月初，两位作者公开道歉，只是“甩锅”之意明显，“责任全在（已跑路的）编程人员”，“杀个程序员祭天”的传统得到延续。

为此，“真大佬”也坐不住了。斯坦福人工智能实验室主任Christopher Manning发问抨击：“为什么不敢承认错误！”（How not to own your mistakes！）不过他也强调，自己对此一无所知，“似乎是几个本科生做的，有一些来自斯坦福”，言语间满满边界感。

单论抄袭事件，事实清楚，证据确凿。但因此事，AI圈子里掀起一场讨论：AI开源社区中的中国势力，其能力以及对生态的贡献，长久以来是否一直被忽视？

“清华简”揭开真相

大抄一通的斯坦福团队，其实“胆挺肥”——被抄袭的MiniCPMLlama3-V 2.5，在开源社区可不是什么“无名之辈”。

5月20日，MiniCPM-Llama3-V 2.5正式发布，仅仅3天后，其热度登上开源社区Hugging Face和代码托管平台GitHub趋势榜的“双榜首”，在GitHub的星标数（可以理解为收藏数）超过3000。面壁智能当时称，MiniCPM-V系列下载总量已超13万。

5月29日，抄袭之作Llama3V发布。也就是说，距离“正主”发布仅9天，且还在“热搜”时期，斯坦福团队就直接实践拿来主义了。

抄袭事件给原创项目又添了一把热度。6月9日，面壁智能团队告诉南风窗，当前MiniCPM-V 系列下载总量已超24万，GitHub星标数超过6900。

回到事件本身，从手法上看，抄袭者也显然是“胆大心不细”，就连模型名“Llama3V”，在“正主”处也能找到对应的字符。赤裸裸的程度令人咋舌。

因此，Llama3V发布不久就被抓住小辫子。最初是有用户在项目下方留言：“你们是不是在MiniCPMLlama3-V 2.5基础上进行训练，并且完全没有提到这一点？”

Llama3V项目的作者先是否认，并称只是使用了MiniCPMLlama3-V 2.5的tokenizer（分词器）。

6月2日，更多的证据浮现。有网友在项目下方列举了四大证据，结果惨遭项目团队删文。质疑者气不过，将截图发到了面壁智能开源项目的评论区，提醒原创团队关注此事。

该网友列举的四大证据中，最令人错愕的，是斯坦福团队在项目页上直接导入过“正主”MiniCPM-V的代码，“重命名”为Llama3V。

面壁智能团队告诉南风窗，6月2日深夜，团队正式确定了斯坦福大模型是对其的“套壳抄袭”。团队负责人解释，这般肯定是因为，面壁大模型独有的“彩蛋”功能，Llama3V居然也有。

这项功能是对“清华简”战国古文字的识别。

“清华简”是清华大学在2008年收藏的一批战国竹简。一参与者回忆，面壁团队的同学们花费数个月，从清华简上扫描得到训练数据，层层工作后将对清华简的“识别能力”融入MiniCPM-Llama3-V 2.5模型。“这个能力这次没有进行宣传展示，没想到最后成为揭露真相的关键证据之一。”

距离“正主”发布仅9天，且还在“热搜”时期，斯坦福团队就直接实践拿来主义了。

训练数据对于大模型，就像是书本对于学生，学生的天资（对应模型的参数量）再高，如果没有书本，也不能掌握特定的能力。但面壁团队的测试发现，斯坦福团队大模型对清华简的识别，“不仅对得一模一样，连错都错得一模一样”。

又过2天，斯坦福团队三人中的两人，Siddharth Sharma和Aksh Garg公开道歉，但同时称他们只负责其中项目推广的工作，唯一“技术骨干”Mustafa Aljadery则无法联系上，其社交媒体账号也已设置为私密。

开源就是抄？

闹剧告一段落，6月5日，面壁又有大动作，在官微上宣布，对面壁的性能“小钢炮”MiniCPM系列大模型开放免费商用。

面壁智能对南风窗解释，今年是其开源社区OpenBMB三周年，MiniCPM-Llama3-V 2.5是“我们在5月20日送给每位的节日礼物，很高兴现在能够让更多人知道我们的节日礼物”。

回顾抄袭事件的始末，面壁团队的应对低调、周全。面壁联合创始人、清华大学长聘副教授刘知远还在回应时提到，“（两位本科生）未来还有很长的路，如果知错能改，善莫大焉”。

不过，无论是刘知远、面壁CEO李大海，还是面壁团队给出的回应里，都严肃强调了“对开源协议的遵守”。

事实上，被抄袭的MiniCPMLlama3-V 2.5也不是完全自研，其建立在开源模型Llama3 8B（80亿参数）的基础上，后者是美国公司Meta今年4月开源的大模型之一。

开源社区支持和鼓励复用前人成果，由此“站在巨人的肩膀上”，聚集智慧、共享协作。相应地，开源共享的底层逻辑，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。

比较之下，MiniCPM-Llama3-V 2.5在名称上仍保留“前作”Llama3的痕迹，“致敬”并没有藏着掖着，而斯坦福团队的“Llama3V”则在台前台后都抹掉了MiniCPM。此处顺便一提，CPM的全称是“中国的预训练模型”（Chinese Pretrained Model）。

澄清开源的逻辑，也就破除了“开源就是方便抄袭”的偏见。“国外一开源，国内就自研”一句讥讽意味的话，始终是国内开源项目厂商头上挥不去的一片乌云。斯坦福团队抄袭事件发生后，仍然有声音质疑说，面壁MiniCPMLlama3-V 2.5也是抄的Llama3，与斯坦福团队不过是“先抄”“后抄”的区别。

然而两者绝不等同。前文清华简的例子说明，新的训练数据，可以给大模型加上此前未有的功能。框架优化、参数微调等，也都有同样功效。

基于开源项目的项目开发，好比一个游戏，基础大模型如Llama，就是玩家进入游戏时拿到的“布衣”角色，通过升级打怪氪装备，玩家号从“布衣”升级到“黄金圣斗士”。而抄袭呢，就是直接盗号了。

由此一窥事件中真正的主角MiniCPM-Llama3-V 2.5，在以语言模型Llama3 8B为基础的前提下，主打的却是多模态能力，即能够处理不同类型的数据，如图片、文字等。

在开源社区上，面壁提供的Demo相当简单：模型启动后，用户可以在界面上传图片，而后模型将对图片进行分析，输出相应的文字信息。

这涉及模型的对图片识别理解能力和OCR（光学字符识别）能力。前者是模型对各类复杂图片，如票根、营养食谱等的准确识别和理解，后者是指将印刷或手写文本转换为机器可读数据的能力，常用于文档数字化等。

各项指标中，MiniCPMLlama3-V 2.5的OCR能力尤为突出。面壁团队表示，该模型OCR能力达到SOTA；在端侧多模态综合性能方面超过了Gemini Pro、GPT-4V等千亿参数级的大模型。

如此也就不难理解，MiniCPMLlama3-V 2.5，乃至“抄袭之作”Llama3V，为何能在短时间内登上开源社区的“热搜”。

小模型，大用处

6月11日凌晨，苹果在全球开发者大会上官宣“苹果智能”，新的Siri成为苹果版人工智能的入口。可以想见，新的一轮应用AI化即将到来。

发布会上，苹果的“in-app Action”令人印象深刻。演示中，用户只需要对Siri发出指令，如“整理女儿学习游泳的照片”“安排下午去机场的行程”，苹果智能即可自行整理不同时间拍摄的 “从学习到学会”的照片时间线，以及自动记录行程、设计路线、预测交通状况等。

用苹果的话说，新的Siri是一个强大的、懂得手机的具体使用者个性偏好的个人助理。

目前，苹果尚未披露上述功能是手机端模型还是云端模型、抑或两者协同来实现的，但从演示效果来看，新的Siri能够实时地理解手机界面的信息，据此推理和生成内容，其表现与OpenAI演示GPT4o的人机互动功能时所展现的“同根同源”。

面壁联合创始人、清华大学长聘副教授刘知远还在回应时提到，“（两位本科生）未来还有很长的路，如果知错能改，善莫大焉”。

千亿参数决定了，GPT4o不可能在手机端运行。如前文所说，上述功能涉及的图片识别、理解能力，以及OCR能力，是面壁MiniCPMLlama3-V 2.5的主打功能。

但MiniCPM-Llama3-V 2.5的一大优势是，它本就是面向类似手机等小型终端设备设计的。

官方文档中，面壁演示了该模型在小米14pro上“丝滑”运行。在“最强端侧多模态综合性能”表现下，MiniCPM-Llama3-V 2.5量化后为8G显存，在手机端推理无压力，每秒6—8个令牌的推理速度相当可用。作为对比，基础模型Llama3 8B在手机端的推理速度每秒仅0.5个令牌（一般一个汉字为2—3个令牌）。

当然，必须说明，模型的能力与苹果展示的系统级AI完全不是一回事。但是技术有了，产品化也只是时间问题。以苹果的体量所带来的影响，端侧模型的部署力度和市场前景是值得乐观的。

端侧模型也可以成为“小模型”，入局者同样众多，但面壁智能对小模型格外专注。在言AI必提大模型的过去一年多时间里，这让面壁显得有些特别。

面壁团队告诉南风窗，押注小模型的关键，是发现小模型的能力未必弱于大模型，如MiniCPM-Llama3-V 2.5在“读图”方面展示的，是“用规模1/100的模型，达到了国外知名大模型的同等性能，训练成本也极低”。

另一方面，小模型对应的手机终端，是“离用户最近的地方”。中国电信的统计显示，2023年中国存量手机上的算力总量，是全国的数据中心算力总量的12倍。面壁认为，“未来的端侧算力的总量，一定是要超越我们在云侧的这些算力总量，这些算力一定要充分利用”。

同时，训练小模型不仅仅是冲着端侧市场，它也对训练出更强的大模型有帮助。

“做端侧的模型比做云侧的模型要求更高。”面壁团队认为，原因在于设备本地端的算力和内存部署大模型，相比云侧的大规模服务器集群，要求会更苛刻。

面壁把更多的知识压到一个更小的模型里面去，在设备本地端就可以运行，并取得非常好的效果。“如果我们一定要去训练一个好的云侧模型，那我们用类似的技术，一定可以做到这个世界上最好的云侧模型。”

当然，真正打通这条路径，会是一个漫长的过程。