改论文，有时候比写论文痛苦。
无论是导师“刷屏”的一个个建议，还是期刊给回来的审稿意见，都能折磨得人头发狂掉。
好消息是，现在 AI 终于可以帮你改论文了。
像是给论文引用的某个算法 / 观点加上原始参考文献：
又或是修改文中的一些事实性错误：
都只需要描述一句话(直接粘贴导师的修改意见)，AI 就能准确领会你的意图，并上手改动论文。
最关键的是，改动的地方 AI 还会给出解释，让你流利应对导师的“突击检查”：
这是 Meta AI 搞出来的最新协同语言模型 PEER，要解决的就是 AI 会生成文章、却不会改文章的问题。
▲ 人均扑克高手(doge)
看到这里，一名在读博士生狂喜：“没写完的博士论文有着落了!”
还有网友表示：
很棒的工作，如果 LLM 没有交互性，那终将成为一个死胡同。《银河系漫游指南》的作者一定会喜欢它的。
那么，这只 AI 究竟是怎么学会“改文章”的?
用 AI 帮 AI 一步步“捋顺思路”
此前 AI 会写却不会改论文，主要有三点原因：
①无法控制文章细节，搞不懂自己要改啥;
②无法听懂人类的命令;
③解释不了自己生成了什么。
为此，Meta AI 的研究人员用 4 个编解码器组成 PEER，每个编解码器干不同的活。
它们被分别命名为 PEER-Edit(整体规划 & 编辑)、PEER-Undo(还原编辑步骤)、PEER-Explain(解释编辑目的)、PEER-Document(搜集素材)。
这几个编解码器并非独立工作，它们的作用是相辅相成的。例如，PEER-Undo 的出现，实际上就是为了加强 PEER-Edit 的编辑能力。
PEER-Edit 是 4 个编解码器中的核心骨干，它会在输入一段待修改文本和参考素材后，决定如何对文本进行编辑，并给出编辑结果。
但如果直接用待修改文本和参考素材训练 PEER-Edit，会发现它的编辑能力不稳定。
因此，需要用 PEER-Undo 来根据 PEER-Edit 的输出和素材，尽可能还原 PEER-Edit 编辑过的每个步骤，有点像是“帮对方捋顺编辑思路”。
这样一来，PEER-Edit 就会意识到“原来我打算这样编辑”，并借助 PEER-Undo 生成的结果，有意识加强训练效果。
在 PEER-Edit 和 PEER-Undo 之外，PEER-Explain 和 PEER-Document 的作用就相对好理解了。
其中，PEER-Explain 负责将最终编辑的结果“变成人话”;PEER-Document 则负责到网上收集修改用的素材(包括但不限于维基百科)，给 PEER-Edit“打零工”。
4 个编解码器加在一起，就组成了一个既能与人沟通、了解修改意图，也能上手查找资料、编辑论文的协同语言模型 PEER。
团队将它与其他模型的能力进行了比较。
110 亿参数实现 SOTA
具体来说，比较的模型包括一些基于 T5(Text-to-Text Transfer Transformer)的模型和一些 1750 亿参数的解码器模型(GPT-3)等。
从图中可见，PEER 系列的模型参数最高也就 110 亿左右，但在一些相关评估上都刷新了 SOTA。
从可以实现的效果来看，基本上能直接通过交互，让 AI 写出一段论文并修改：
例如“删掉没信源的表述”、以及“把步骤列出来”，这只 AI 都能准确理解并实现：
不过对于这个模型，也有网友提出了一个设想：
如果让 PEER 去审查 PEER 自己的文章，会怎样呢?(手动狗头)
论文地址：
https://arxiv.org/abs/2208.11663
