![]()
蘇黎世聯(lián)邦理工學(xué)院博士后高健揚(yáng)發(fā)布公開信,指控谷歌 ICLR 2026論文 TurboQuant 對其先行工作 RaBitQ 的描述存在三項(xiàng)嚴(yán)重問題。
高健揚(yáng)是 RaBitQ 的第一作者,該算法于2024年發(fā)表于數(shù)據(jù)庫頂級(jí)會(huì)議 SIGMOD,核心方法是在量化前施加隨機(jī)旋轉(zhuǎn)(Johnson-Lindenstrauss 變換),并已嚴(yán)格證明達(dá)到漸近最優(yōu)誤差界,曾受邀在理論計(jì)算機(jī)頂級(jí)會(huì)議 FOCS 的 Workshop 上報(bào)告。
三項(xiàng)指控分別為:
1. 方法相似性回避:TurboQuant 的核心方法同樣采用隨機(jī)旋轉(zhuǎn),但論文將 RaBitQ 歸類為「基于網(wǎng)格的 PQ」,系統(tǒng)性地省略了兩者在方法上的直接關(guān)聯(lián)。ICLR 審稿人曾獨(dú)立指出兩種方法都使用隨機(jī)投影并要求補(bǔ)充討論,TurboQuant 團(tuán)隊(duì)不僅未補(bǔ)充,反而將正文中對 RaBitQ 的描述移至附錄。
2. 理論結(jié)果失實(shí):論文在無任何論據(jù)的情況下,將 RaBitQ 的理論保證定性為「次優(yōu)」(suboptimal),歸因于「分析較松」。RaBitQ 擴(kuò)展版論文已證明其誤差界達(dá)到 Alon-Klartag(FOCS 2017)給出的漸近最優(yōu)界 。
3. 實(shí)驗(yàn)對比不公:TurboQuant 使用自行翻譯的 Python 代碼在單核 CPU 上測試 RaBitQ(關(guān)閉多線程),卻用 NVIDIA A100 GPU 測試自身算法,導(dǎo)致 RaBitQ 速度被報(bào)告慢了數(shù)個(gè)數(shù)量級(jí),且未在論文中披露這一設(shè)置 。
高健揚(yáng)披露,TurboQuant 第二作者 Majid Daliri 于2025年1月主動(dòng)聯(lián)系 RaBitQ 團(tuán)隊(duì)請求協(xié)助調(diào)試其基于 RaBitQ C++ 代碼翻譯的 Python 版本,2025年5月的郵件中親自確認(rèn)了實(shí)驗(yàn)條件的不公平設(shè)置,并表示已將 RaBitQ 團(tuán)隊(duì)的理論澄清告知全體共同作者。但此后 TurboQuant 論文在投稿、審稿、接收直至谷歌官方大規(guī)模推廣的全過程中,上述問題始終未修正。
RaBitQ 團(tuán)隊(duì)已在 ICLR OpenReview 發(fā)布公開評論,并向 ICLR 大會(huì)主席和道德委員會(huì)提交正式投訴。TurboQuant 第一作者 Amir Zandieh 回復(fù)稱愿修正第二和第三項(xiàng)問題,但拒絕補(bǔ)充方法相似性討論,且僅同意在 ICLR 2026會(huì)議結(jié)束后修正。第三方研究者 Jonas Matthias Kübler 也在 OpenReview 獨(dú)立指出,論文與谷歌博客在速度基準(zhǔn)(PyTorch vs JAX)和量化基線(FP32)上口徑不一致。
TurboQuant 此前經(jīng)谷歌官方大規(guī)模宣傳后,曾引發(fā) Micron、Western Digital 等存儲(chǔ)芯片股集體下跌。
延伸閱讀:
特別聲明:以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺(tái)“網(wǎng)易號(hào)”用戶上傳并發(fā)布,本平臺(tái)僅提供信息存儲(chǔ)服務(wù)。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.