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!

AtomThink: A Slow Thinking Framework for Multimodal Mathematical Reasoning

一篇在vlm里搞o1的工作：作者从数据驱动的视角理解这个问题，认为主要难点在于合成long-cot数据。作者先用4o+prompt启动了一些long-cot种子数据，再在运行时挂载了prm和树搜索，训出来效果还不错

公式呀公式……感觉未来会有50篇这个模式的工作出来，不知道谁能先scale起来

最近赶上了CVPR截稿，挺多CV track的工作挂出来了

Everything is a Video: Unifying Modalities through Next-Frame Prediction

挺有趣的思路：作者发现，其实文字也可以用图片表示。能不能就搞一个词表，把text-only训练数据里面的文字画在图片里，然后统一用图片词表去编码解码。然后模型的训练任务只是单纯的next frame prediction呢？

AnimateAnything: Consistent and Controllable Animation for Video Generation

一篇视频生成的工作，作者主打了一个可控性的概念，可以控制物体运动方向、镜头运镜方向、文字控制内容样式等等

Generative World Explorer

这名字起得大气。作者认为，已有的agent工作基本都要把agent放置在真实环境里去交互学习。如果模型和人一样，具有想象能力，能不能让模型放置在一个类似于禅房、练功房的地方，自己去想象并学习呢？作者进行了一些尝试，用一个video generation model去模型世界，进而让模型学习，发现效果还可以

LLaVA-o1: Let Vision Language Models Reason Step-by-Step

这名字起得挺好……作者合成了100k的vlm long reasoning数据，主要是拆分推理步骤变成了一个推理原子的集合，发现训出来的模型在reasoning task上提升挺明显的。

不知道这种推理原子论对不对，有一波人在这么做

That Chip Has Sailed: A Critique of Unfounded Skepticism Around AI for Chip Design

这篇论文有点罕见，是Jeff Dean的文章，目的是澄清之前对2020年工作的质疑。Google在2020年发布了一个AI设计芯片的工作，登上了nature封面。后来有人质疑结果不能复现，这次，Jeff Dean"复现"了质疑里的"不能复现"，发现复现的人的测试有bug，其实能复现

有点绕，但就是这个意思

The Dawn of GUI Agent: A Preliminary Case Study with Claude 3.5 Computer Use

之前gpt-4v api刚出的时候，有一篇类似的工作。这次claude computer use出了，对应的评测文章也挂出来了。

LLaMA-Mesh: Unifying 3D Mesh Generation with Language Models

这篇工作没有研究3d生成，而是在研究mesh-generation。作者发现，LLM中应该具有一定的基础空间知识，以及对于mesh object的基础理解。由此，作者定义了一套tokenize方法，在不扩展词表的情况下把mesh represention变成了一堆token，由此构造了一个SFT数据集。发现LLM是有能力直接理解自然语言的需求，然后直接生成3d mesh obj的

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。