根据最新的法庭文件显示,Meta 被指控为了训练其 AI 模型,从一个因侵犯版权而被起诉的在线资源库下载了大量内容。
这项指控出现在 Richard Kadrey 等人诉 Meta Platforms 的案件文件中。小说家 Kadrey (以及包括喜剧演员 Sarah Silverman 在内的其他人) 声称他们的作品的盗版被用于训练 AI 模型。目前已有多起类似诉讼,针对不同的 AI 企业。
文件称,Meta 决定从 Library Genesis (简称 "LibGen") 下载文档来训练其模型。LibGen 正面临教科书出版商的诉讼,这些出版商认为它随意托管和分发盗版作品,甚至接受捐款来资助其运营。
Kadrey 案件原告提交的文件显示,Meta 在证据开示过程中提供的文件描述了公司内部关于访问 LibGen 的争论,对在办公室使用 BitTorrent 的些许顾虑,以及最终上报给 "MZ" 并获得批准使用这个有争议的资源。文件指出,有关使用 LibGen 的证据是新发现的,是 Meta 在证据开示过程后期才提供的。
另一份文件声称,Meta 的一份文档描述了如何删除从 LibGen 下载的材料中的版权声明,并暗示公司这样做是因为意识到包含此类文本可能会导致模型的输出显示它是用受版权保护的材料训练的。
Meta 提交的第三份文件则辩称,原告无理地声称使用 LibGen 是新材料,并坚称这些信息已在记录中存在数月之久。
此事的关键似乎是原告试图利用 Meta 使用 LibGen 的信息,根据《加利福尼亚州综合计算机数据访问和欺诈法案》提起诉讼。该法律规定,未经许可访问计算机或网络并意图欺诈或实施其他犯罪行为属于犯罪。Meta 认为这项额外的诉讼理由不成立。
Meta 的文件包含一份声明,称公司"拒绝接受其'分发'了 LibGen 的说法",似乎是为了回应原告认为仅使用 BitTorrent 就意味着传播盗版内容的论点。但我们没有找到否认访问 LibGen 的声明。
Meta 试图以商业敏感性为由要求封存我们上面链接的文件。但案件的法官驳回了这一请求,认为 Meta 只是想避免公众关注。
美国地方法院法官 Vince Chhabria 还指出,在 Meta 想要封存的一份文件中,一名员工写道:
"如果媒体报道暗示我们使用了已知是盗版的数据集(如 LibGen),这可能会削弱我们在这些问题上与监管机构的谈判地位。"
考虑到 Meta 的商业模式建立在用户贡献的免费内容之上,这个使用 LibGen 的指控与其品牌形象非常吻合。为什么要对那些讨厌的作者另眼相看呢?
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。