刚引发存储股暴跌就塌房？Google 刷屏 AI 论文遭指控学术不端- 大数跨境

APPSO

2026-03-28

Google Research近期发布AI压缩算法TurboQuant，在X平台发布后24小时浏览量突破千万，引发存储芯片股集体下跌。Cloudflare CEO Matthew Prince称其为Google的"DeepSeek时刻"。

该算法声称能在保持模型性能的前提下，将大模型运行时缓存内存占用压缩6倍以上，同时提升性能8倍。

苏黎世联邦理工学院博士后高健扬（RaBitQ算法第一作者）在知乎发布公开澄清信，指出TurboQuant存在三大问题：刻意回避与RaBitQ方法的直接关联、无证据将RaBitQ理论成果定性为"次优"、以及在实验对比中使用单核CPU测试RaBitQ却用A100 GPU测试自身算法。

RaBitQ团队在TurboQuant投稿前已通过邮件告知这些问题，对方确认知情但未修正。该论文随后被ICLR 2026接收并经Google官方渠道大规模推广。

第三方研究者Jonas Matthias Kübler在ICLR OpenReview提出补充质疑：论文基准测试使用PyTorch，但官方博客宣传改用JAX，存在口径不一致问题；且以FP32作为对比基准有失公允。

算法背景：RaBitQ技术原理

RaBitQ系列论文（2024年发表于SIGMOD会议）提出高维向量量化方法，通过随机旋转（Johnson-Lindenstrauss变换）实现理论计算机领域证明的渐近最优误差界。该方法在量化前对输入向量施加随机旋转，利用旋转后坐标分布特性优化性能。

https://arxiv.org/abs/2405.12497

TurboQuant与RaBitQ在核心方法上具有直接结构关联——均采用随机旋转技术，但TurboQuant论文系统性回避这一联系。审稿人曾明确要求补充讨论，TurboQuant作者却将相关描述移至附录，并以"随机旋转已是领域标准技术"为由拒绝引用RaBitQ。

TurboQuant在未提供任何论据情况下，将RaBitQ理论保证定性为"次优"。事实上，RaBitQ扩展版论文已严格证明其误差界达到理论最优，相关成果获邀在理论计算机顶级会议FOCS Workshop报告。RaBitQ团队曾通过邮件澄清该问题，但TurboQuant团队始终未修正表述。

实验环节存在明显不公：TurboQuant使用单核CPU且禁用多线程测试RaBitQ（其自译Python版本），却采用A100 GPU测试自身算法。TurboQuant作者在邮件中承认测试条件差异导致RaBitQ"显著变慢"，但论文未披露该关键信息。

2024年5月：RaBitQ论文及源码发布（SIGMOD 2024）

2024年9月：RaBitQ扩展版发布（SIGMOD 2025）

2025年1月：TurboQuant作者请求协助调试RaBitQ代码

2025年5月：RaBitQ团队邮件指出理论与实验问题

2026年1月：TurboQuant被ICLR 2026接收

2026年3月：Google官方推广引发千万级传播，RaBitQ团队正式要求修正

RaBitQ团队已在ICLR OpenReview发布技术评论并提交正式投诉，计划在arXiv发布详细技术报告。团队强调：当论文获得千万级传播时，错误学术叙事若不及时纠正将自动成为共识，影响学术记录准确性。

https://openreview.net/forum?id=tO3ASKZlok

Google TurboQuant、向量量化算法、ICLR学术规范等关键词的技术讨论仍在持续发酵。

【声明】内容源于网络

APPSO

AI第一新媒体，「超级个体」的灵感指南。 #AIGC #智能设备 #独特应用 #Generative Al

内容 14620

粉丝 0

APPSO AI第一新媒体，「超级个体」的灵感指南。 #AIGC #智能设备 #独特应用 #Generative Al

总阅读194.6k

粉丝0

内容14.6k