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!

Teaching VLMs to Localize Specific Objects from In-context Examples

一篇挺聚焦的文章，作者关注的是：模型能否根据上下文图片里的som框，认出来想要grounding什么东西，并且在新图片上做grounding呢？显然，没训练的模型都不行，作者finetune过的模型做的还挺好。

说回来，从语言去grounding，和从som去grounding感觉是两个同样重要的能力，但大家确实主要focus前者现在。

Loss-to-Loss Prediction: Scaling Laws for All Datasets

这名字起得大气，其实是一篇研究scaling prediction的工作。传统scaling prediction讲的是从一个小模型、或者大模型少步数的loss里，预测大模型在同样setting下的loss。作者认为，限制setting一样是一个很大的限制，能不能做跨越setting的预测呢？比如从task A loss预测task B loss。作者发现是可以的

之前有篇叫 observational scaling law的工作，想要通过不同模型家族的指标预测另一个家族的模型。这个是从一个task预测另一个task。所以曲线输入的维度越多就越准吗……

BALROG: Benchmarking Agentic LLM and VLM Reasoning On Games

一篇benchmark工作，作者接入了几个游戏，然后提供了对于agent的封装的接口，并且给这些游戏设计了一些中间的稠密reward。可以在里面测试LLM as Game Agent

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

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