什么值得买App

我的兴趣消费指南

什么值得买
连续签到专享现金活动

谷歌TurboQuant论文被指存在严重学术问题,核心方法涉嫌规避引用RaBitQ

2026年3月28日,谷歌ICLR 2026接收论文《TurboQuant: Online Vector Quantization with Near-optimal Distortion Rate》被实名指控存在严重学术问题。RaBitQ算法第一作者、ETH Zurich博士后高健扬公开指出,该论文在技术引用、理论评价和实验设计三方面存在系统性偏差:刻意回避与RaBitQ在“随机旋转+量化”结构上的高度相似性;无依据贬低RaBitQ理论结果为“次优”,而后者已被FOCS 2017理论下界证明为渐近最优;实验对比采用双重标准——用单核CPU运行非官方Python版RaBitQ,却用A100 GPU测试TurboQuant。高健扬称,上述问题早在2025年5月起多次通过邮件向TurboQuant作者团队指出,并获对方确认,但论文仍于2026年1月被接收并于3月24日经谷歌官方大规模宣传,全程未作修正。145
TurboQuant由Google Research、Google DeepMind与纽约大学合作提出,于2025年4月首次发布于arXiv(编号2504.19874),核心包含PolarQuant(随机正交旋转+极坐标变换)与QJL(1-bit残差修正)两阶段,宣称实现KV cache 3.5-bit近无损压缩、内存占用减少至少6倍,并在H100上使attention计算提速最高8倍。然而,该论文全文未正面引用RaBitQ系列工作(arXiv:2405.12497, 2409.09913),后者早在2024年即在SIGMOD发表,同样基于随机旋转(Johnson-Lindenstrauss变换)实现理论最优误差界。有ICLR审稿人曾在评审中明确指出“RaBitQ and variants are similar to TurboQuant in that they all use random projection”,要求作者充分讨论,但最终版本仍回避关键关联。78

争议焦点:技术原创性与学术规范

质疑方立场

以高健扬为代表的RaBitQ团队主张

  • TurboQuant核心方法“随机旋转+量化”直接继承自RaBitQ,但论文刻意淡化并错误归类为grid-based PQ。
  • 对RaBitQ理论结果的“次优”定性无任何数学推导支撑,且无视其已达成FOCS 2017渐近最优界。
  • 实验设置严重不公平:RaBitQ在单核CPU上运行非官方Python实现,TurboQuant则使用A100 GPU优化版本。
  • TurboQuant第二作者Majid Daliri曾于2025年1月主动联系高健扬请求调试RaBitQ代码,证明其深度了解该技术。
谷歌作者回应(有限披露)

据高健扬披露的邮件往来

  • 第一作者仅以“随机旋转是领域标准技术”为由拒绝承认引用缺失。
  • 承诺将修正部分实验细节,但要求延迟至ICLR会议结束后再更新。
  • 未对理论误判或引用回避问题作出实质性解释。
目前,谷歌官方尚未就此事发布正式声明。ICLR 2026会议本身正经历另一起重大诚信危机——因OpenReview API漏洞导致超万篇投稿身份信息泄露,引发串通、贿赂等学术不端行为,组委会已于2025年12月宣布回滚全部评审、重置领域主席并严查违规论文。在此背景下,TurboQuant的争议更受关注。多位社区研究者建议:暂缓在工程或学术项目中直接采用TurboQuant结论;关注后续第三方复现结果,尤其是公平条件下的RaBitQ vs TurboQuant对比;对论文中“端到端推理提速8倍”“内存压缩6倍”等宣传表述保持审慎,因其仅针对attention内积计算与KV cache部分,未涵盖MoE架构下专家权重等显存开销。32
截至2026年3月30日,该论文仍可在arXiv及ICLR官网查阅,谷歌官方博客宣传内容亦未撤下。学术社区正等待作者团队或会议程序委员会的进一步回应。

评论

评论区空态插画

当前文章无评论,是时候发表评论了