随缘随笔
Insights Flow

压缩带来智能，5% 的论文决定学术界 95% 的成果！每天从 Arxiv 论文中总结分享最重要、最有趣的最多三篇论文。

Compression brings intelligence, 5% of papers determine 95% of AI technologies! Share the most important papers from Arxiv, every day, up to three!

Classification Done Right for Vision-Language Pre-Training

z字节的工作，昨天出了rar，今天又来一手。作者提了一个巨简单的方法：如果有了image-caption对，直接把caption里面的token去掉position后当做bag of word，变成一个把图片到词表空间的分类任务会怎么样呢？作者发现，这个loss的效果甚至很好。

why? 所以一切都是yolo……

Inference Optimal VLMs Need Only One Visual Token but Larger Models

一篇研究VLM inference optimal的工作，作者探索了在同样的FLop下，应该选择大模型，少image token；还是小模型，多image token。通过实验，作者发现不管budget开多大，总是大模型的效果倾向于更好。

这是不是代表着，目前的模型都没有特别认真的去看图像信息……

现在刷俩track以后……周二竟然有500篇了？？？

AutoGLM: Autonomous Foundation Agents for GUIs

前两天刚出一个Android-Lab，今天唐杰老师又搞了个模型的工作AutoGLM。总体的观感有点像上半年的AutoWebBench工作，延拓了一些安卓场景。claude一出，GUI Agent方向又火起来了呀

这个把前几天那个公众号pr稿翻译成论文了吗……

Vision-Language Models Can Self-Improve Reasoning via Reflection

刘洋老师的工作，目标是VLM中的self-reflection。这个领域火了一年了，但是好像一直没人能真搞出来的。作者这次提的方案是让模型生成一大堆cot，然后互相比较，去写一个更好的，再把这一大堆测试时计算塌缩成一个dual-cot-trace. 发现效果还挺好的

之前kumar有一篇training models to self-correct,感觉和这篇是两个方法论，不知道谁的更合理一些……

Hunyuan-Large: An Open-Source MoE Model with 52 Billion Activated Parameters by Tencent

Randomized Autoregressive Visual Generation

字节的工作，作者发现，在auto-regressive生成过程中，简单地做一下数据增强，把不同的image patch打乱顺序，竟然可以提升生成的效果？

why

Beyond Accuracy: Ensuring Correct Predictions With Correct Rationales

作者发现，已有的工作基本只会把CoT中的结果做评价，而不关注rational的正确性。作者提了一个概念叫做double-correct。即过程和结果都正确。作者构造了一个数据集，可以自动化地给出正确的mutl-hop rational，由此训了个模型。

感觉这个观点和openAI那个"don't supervise thought"有点冲突，不知道哪边更有道理……

Right this way: Can VLMs Guide Us to See More to Answer Questions?

一篇挺好玩的小品工作：作者考虑到，在vlm中，模型能不能在信息不够的情况下主动对人的照片提出一些建议，进而更好的获取信息。作者设计了一套pipeline，发现训练的模型确实效果不错

今天来讲讲Many-Shot In-Context Learning，大概是deepmind一个月前的文章，读下来和之前Jason Wei那篇"Large Models do In-Context Learning Differently"的阅读体验有点像，是一篇"暗合scaling天意"的文章。

看完了我把他和另外两篇论文联系了起来，想到了未来LLM在context重建AI的可能性。最后，推荐大家读一下原文，deepmind论文就像乐高，阅读(拼搭)体验一直很好……

参考资料：

Many-Shot In-Context Learning

Many-Shot In-Context Learning in Multimodal Foundation Models

In-Context Reinforcement Learning with Algorithm Distillation

最近Apple出了自己的30B多模态大模型，涌现出了多模态的in-context learning效果，论文里一句"even better"让我想到库克那个嗓音……作者说明了很多在训练中收获到的经验教训，这是我最近几个月看的写法最清楚的一篇论文。正好借此讲讲多模态大模型：目前学界大火的VLM，到底是怎么跑的？

最近Sora巨火，仿佛开启了AIGC的新时代。Jason Wei表示："Sora is the GPT-2 moment" for video generation。我在sora发布的大约第5个小时读了technical report，里面最打动我的其实是没提什么细节的recaption技术。让我回想想起了之前读DALL.E 3论文时的愉快体验。

所以今天来分享一下DALL.E 3论文里的recaption细节，并讨论几个问题和我的看法：1)OpenAI教你为什么要"先查看原始数据，再做创新" 2)Recaption和大家一直在聊的"training on synthetic data"是一回事吗? 3)recaption技术是否已经在(或者即将在)被其他领域使用？

另外，我总结了一下上篇笔记阅读量大的关键：语言表达要浅显易懂些，所以这篇笔记我可以声明一下：没学过AI也能看懂(我在博客里加了这个标签"from scratch"，所有我认为不懂AI或者只知道一点点的人也能看懂的博客都会加上这个标签)

参考文献：

https://openai.com/sora

Improving Image Generation with Better Captions

Automatic Instruction Optimization for Open-source LLM Instruction Tuning

WaveCoder: Widespread And Versatile Enhanced Instruction Tuning with Refined Data Generation

Reformatted Alignment

Rephrasing the Web: A Recipe for Compute and Data-Efficient Language Modeling

今天是2月29日，我迎来了研究生的第二个学期。上次2月29日已经是2020年，而下次2月29日要到2028年了。人生有多少4年，再加好久没有更新，遂写一写最近的生活吧。

其实我写总结这个track，还是因为最开始看了谭院士的博客 Wandai Blog：谭院士总是时间驱动，每天写一个sentence-level的总结，陆陆续续竟然坚持了十几年。时间是有惯性的，有点类似于顺着一个人的微信刷pyq，不会到了某个位置突然被卡掉，看下来有种震撼人心的感觉。所以我也想是不是记录一下自己的生活。

我当时选了另一种形式：事件感想驱动，更大的interval, 在corpus-level做记录，所以给自己起名字叫做"随缘"。现在想想可能并不适合，我和谭院士的记录方式也许应该倒一倒。我的生活当然没有谭院士丰富，用instruction tuning的话说：每天翻来覆去总是从一些task set里先sample task \(t \in \mathcal{T}\)，再sample \(x \in \mathcal{X}_t\)，最后预测 \(y = me(x)\)。做得多了，熟能生巧，常用的几个task的能力越来越高了，但一直没什么机会探索更大更diverse的instruction空间。

不过近期确实有所不同，我深感在过去一个月里，尝试的新事物堪比过去一两年。

好久不更新了，看到之前大约都是15天更新一篇笔记，最近不知道咋回事竟然一个多月没更新，正好这两天刷到了"More Agents is All You Need"，就来讲讲“时间换效果”的鼻祖——self-consistency。如果让模型sample多次，然后做major-voting，效果会更好吗？

参考文献：

Self-Consistency Improves Chain of Thought Reasoning In Language Models

Escape Sky-High Cost: Early-Stopping Self-Consistency for Multi-Step Reasoning

Universal Self-Consistency for Large Language Model Generation

More Agents is All You Need

Unlock Predictable Scaling from Emergent Abilities