将内存股一夜干崩的谷歌顶会论文，出大事了。
几天前，谷歌一篇将在ICLR 2026亮相的论文TurboQuant，因其宣称能将LLM的键值缓存（KV Cache）内存占用降低至少6倍并提速8倍，引发了科技圈的震动，甚至波及了存储巨头的股价。
就在外界为这项“突破”欢呼时，事件迅速反转。苏黎世联邦理工学院博士后、RaBitQ算法的第一作者高健扬（Jianyang Gao）公开发声，指控这篇论文在描述其已有工作时存在严重问题，包括不正确的技术声明和具有误导性的理论及实验对比。
更关键的是，高健扬团队表示，这些问题在论文投稿前就已向作者指出，对方承认了，但选择了不予修正。论文随后被ICLR 2026接收，并经由Google官方渠道获得了数千万次的浏览量。
简单来说，核心争议在于：TurboQuant的核心方法（随机旋转+向量量化）被指与高健扬团队两年前已发表并开源的RaBitQ高度相似，但谷歌论文不仅未予客观承认和讨论，反而在理论对比和实验设置上进行了不公正的贬低。
争议核心：向量量化与“重新发明”
此次争端围绕向量量化技术展开。这是一种将高维向量压缩表示，以节省内存和计算资源的技术，在近似最近邻搜索和大模型推理优化中至关重要。
高健扬团队在2024年5月就在arXiv上发布了论文《RaBitQ: Quantizing High-Dimensional Vectors with a Theoretical Error Bound for Approximate Nearest Neighbor Search》。其核心思路是：在量化之前，先对向量做一次随机旋转（Johnson-Lindenstrauss变换），使向量坐标分布更可预测，从而实现更高效的量化。
论文地址：https://arxiv.org/abs/2405.12497
该团队在随后的工作中严格证明了RaBitQ达到了理论计算机顶会FOCS 2017给出的渐近最优误差界，相关成果也发表在了数据库顶会SIGMOD上，且代码全部开源。
而谷歌的TurboQuant论文，其核心同样是随机旋转+向量量化。因此，在高健扬团队看来，这并非创新，而是对其已开源成果的“重新包装”。
三方面具体指控：从方法隐匿到实验不公
根据高健扬团队在OpenReview上发布的公开评论以及相关邮件记录，指控主要集中在三个方面：
1. 方法描述不完整，隐匿关键相似性
TurboQuant论文将随机反复强调随机旋转是其方法的关键步骤，但在描述RaBitQ时，却主要将其简化为“基于网格的乘积量化（grid-based PQ）”，刻意忽略了RaBitQ中同样核心的随机旋转步骤。这种做法使得读者难以察觉两者在核心方法论上的联系。
然而，在论文评审阶段，有审稿人直接询问“随机旋转是你们首创的吗？”，作者在反驳中明确承认：“随机旋转的使用此前已有探索（参见…RabitQ…等工作）”。这表明作者完全知情，却在正文中选择了隐匿。
一位给出高分的审稿人（Reviewer WFrV）也明确建议作者在终稿中深入讨论与RaBitQ的异同。但最终的定稿版本中，对RaBitQ仅有的描述甚至被移到了附录里。
2. 无依据贬低理论成果
TurboQuant论文中声称，RaBitQ的理论保证是“次优的（suboptimal）”，可能源于“松散的分析（loose analysis）”。
但高健扬团队指出，他们在2024年9月的扩展论文中已经严格证明了RaBitQ的误差界匹配FOCS 2017的最优界限。团队曾在2025年5月通过邮件与TurboQuant的作者之一Majid Daliri进行了详细的技术讨论，澄清了这一点，对方表示已告知所有共同作者，但论文中的不准确描述始终未被修正。
3. 不公平的实验对比
论文声称RaBitQ的量化速度比TurboQuant慢“数个数量级”。但邮件记录显示，这一对比存在严重不公：
- 硬件不对等：测试RaBitQ时使用的是单核CPU，而测试TurboQuant时使用的是A100 GPU。
- 代码版本不对等：用于对比的RaBitQ是作者自行翻译的、未优化的Python版本，而非官方开源的高度优化的C++实现（且官方实现默认支持多线程）。
这相当于“绑住对手的脚再赛跑”。尽管作者在私下邮件中承认了这些设置，并在早期就已成功运行过官方的C++代码，但论文中并未对此进行充分披露。
更多质疑与社区反响
除了上述核心争议，TurboQuant论文本身也受到了其他研究者的质疑。例如，有研究者在OpenReview上指出，其宣称的“8倍加速”是相对于不切实际的FP32精度基准而言的，且论文与官方博客中提到的基准框架（PyTorch vs JAX）也不一致。
这一事件在开发者社区和学术界引发了广泛讨论。许多声音认为，这反映出在大型科技公司的光环下，独立研究者的成果可能面临被边缘化甚至被不当贬低的风险。错误的学术叙事一旦凭借巨大的影响力传播开来，纠正将变得异常困难。
高健扬在声明中写道：“我们此时公开说明，是因为错误的学术叙事一旦广泛传播，纠正的成本会越来越高。”
这场争议不仅关乎个别论文的署名或引用，更触及了人工智能研究领域学术公平与伦理的深层问题。它也提醒我们，在追逐技术热点的同时，严谨的学术讨论和对先行者工作的尊重，是维系开源实战生态健康发展的基石。对于这类技术争议的持续关注和理性探讨，正是开发者社区的价值所在。
参考资料：
发表于 8 小时前
|
查看: 4|
回复: 0
