干崩存儲股的谷歌爆紅論文塌房！被曝抄襲、貶低華人學者成果，谷歌回應：晚點改

智東西
作者 陳駿達
編輯 李水青

谷歌干崩內存股的論文，竟被曝出學術不端？

智東西3月29日報道，近日，谷歌的TurboQuant論文引發全網廣泛關注。該論文提出的TurboQuant技術，據說能將大模型KV緩存的內存占用壓縮至原來的1/6，似乎給當下的“AI存儲荒”提供了解決思路，因此一度引發美股多支存儲股大跌，市值合計蒸發超過900億美元（約合人民幣6220億元）。

然而，反轉也來得很快。3月27日，蘇黎世聯邦理工學院計算機博士后、RaBitQ論文作者華人高健揚發布文章，指出谷歌的TurboQuant論文存在三大問題：系統性地回避了其與已有RaBitQ方法（2024年發布）的相似性，錯誤描述了RaBitQ的理論結果，并刻意營造不公的實驗環境。

▲高健揚在知乎上發表的澄清文章

并且，谷歌TurboQuant團隊可能還存在“知錯不改”的嫌疑。高健揚稱，早在2025年5月，在TurboQuant論文正式投稿至ICLR 2026之前，RaBitQ團隊已經向作者指出了論文存在的問題，TurboQuant團隊承認了相關問題，但選擇不予修復。

▲高健揚在X平臺上發表的推文

今天下午，高健揚更新了知乎帖子，稱他們僅收到TurboQuant論文第一作者Amir Zandieh的籠統答復，承諾會修正對RaBitQ理論結果的錯誤描述和實驗環境差異，但拒絕在文中討論TurboQuant與RaBitQ在技術上的相似性。

并且，TurboQuant團隊僅愿意在今年4月ICLR 2026正式會議結束之后才做相應修正。

高健揚稱，他決定此時公開說明這一事件，是因為錯誤的學術敘事一旦廣泛傳播，糾正的成本會越來越高。

高健揚在知乎上發布的公開澄清文章：

https://zhuanlan.zhihu.com/p/2020969476166808284?wechatShare=1&s_r=0

一、KV緩存砍至1/6、推理提速8倍，TurboQuant具體做了什么？

在厘清事實之前，我們需要首先看看谷歌的TurboQuant究竟提出了什么方法。

向量量化一直是AI數據“瘦身”的主流技術，主要用于壓縮高維向量、節省內存、提升檢索與推理效率。但傳統壓縮方法通常會引入額外的內存開銷，反而會影響向量量化的效果。

谷歌提出的TurboQuant是一種無損極限壓縮算法，該算法主要通過兩個關鍵步驟，在實現零精度損失的同時大幅縮小模型尺寸。

▲TurboQuant博客

第一步是高質量壓縮（PolarQuant方法）。TurboQuant首先對數據向量進行隨機旋轉。這一操作能夠簡化數據的幾何結構，從而便于使用標準且高質量的模型量化器。

通過這一階段，TurboQuant能夠將大部分壓縮能力（即多數比特）用于捕捉原始向量的主要特征和強度。

第二步是消除隱藏誤差。TurboQuant僅用少量剩余壓縮能力（僅1比特），對第一階段殘留的微小誤差應用QJL算法。QJL階段相當于一個數學誤差檢查器，能夠消除偏差，從而獲得更加精準的注意力評分。

QJL采用一種了稱為“Johnson-Lindenstrauss變換”的方法，縮小復雜、高維數據，同時保持數據點之間的基本距離和關系。

實驗中，谷歌稱TurboQuant在所有基準測試中均達到了“完美的下游任務表現”，同時將KV緩存的內存占用減至1/6。

▲TurboQuant基準測試結果

使用TurboQuant計算注意力邏輯值后，在H100 GPU加速器上，4比特TurboQuant相比32比特未量化的鍵值實現了高達8倍的性能提升。

▲TurboQuant性能測試結果

二、RaBitQ論文作者完整復盤：去年就已提出質疑，TurboQuant團隊不回郵件

TurboQuant論文在3月25日被“Google Research”官方賬號轉發后，獲得了海量關注。然而，這篇論文與2024年5月由高健揚等人發布RaBitQ論文，有不少說不清道不明的聯系。

高健揚在他發布的知乎帖子中回顧了相關爭議的完整時間線：

▲高健揚回顧事件完整時間線

可以看到，在2024年，RaBitQ團隊就陸續發布了論文的預印本和擴展版，同時開源了相關代碼。這篇論文還發表在頂級會議SIGMOD上。

2025年1月，TurboQuant論文第二作者Majid Daliri與RaBitQ團隊取得聯系，請求協助調試Python版RaBitQ實現，三個月后TurboQuant論文在arXiv發布。

TurboQuant發布后，RaBitQ團隊很快發現了TurboQuant團隊針對RaBitQ采用了不同的實驗條件，然而TurboQuant團隊在被要求修改事實性錯誤后，采取了消極態度，停止回復郵件。

2025年11月，TurboQuant論文被提交至ICLR 2026，相關錯誤并未修改，RaBitQ團隊聯系ICLR 2026后也未獲得回應。

在高健揚看來，TurboQuant論文至少存在三個問題。

問題一：系統性地回避TurboQuant方法與已有RaBitQ方法的相似性

RaBitQ與TurboQuant在方法層面有直接的結構聯系，兩者都在量化前對輸入向量施加隨機旋轉（Johnson-Lindenstrauss變換）。這是兩篇論文方法設計中最核心、最接近的部分。

對于這一質疑，TurboQuant團隊曾回復道：“隨機旋轉和Johnson-Lindenstrauss變換已成為該領域的標準技術，我們無法列舉所有使用這些方法的方法。”

高健揚認為這一回應是在轉移矛盾：作為在相同問題設定下，率先將隨機旋轉（Johnson-Lindenstrauss變換）與向量量化結合、并建立最優理論保證的先行工作，RaBitQ應當在文中被準確描述，其與TurboQuant方法的聯系應當充分討論。

問題二：錯誤描述RaBitQ的理論結果

高健揚稱，TurboQuant論文在不提供任何論據的情況下，將RaBitQ的理論保證定性為“次優”，將原因歸結為“較粗糙的分析（loose analysis）”。

然而，RaBitQ的誤差界實際上已經達到了理論計算機頂級會議論文（Alon-Klartag，FOCS 2017）給出的漸近最優誤差界，并因這一結果被邀請至理論計算機科學頂級會議FOCS的Workshop進行報告。

2025年，RaBitQ團隊與TurboQuant的第二作者Majid Daliri進行了多輪詳細的郵件技術討論，澄清TurboQuant團隊對RaBitQ理論結果的錯誤解讀，然而相關錯誤定性一直未被修正。

問題三：刻意創造不公平的實驗環境

TurboQuant團隊在測試RaBitQ和TurboQuant時采用了不同的實驗設置。

具體來看，TurboQuant團隊使用單核CPU、關閉多線程并行的設置來測試RaBitQ算法，但卻使用英偉達A100 GPU測試TurboQuant算法。

TurboQuant團隊還使用了自己翻譯的Python代碼，而非RaBitQ團隊開源的C++實現，前者的效果要差于后者。

同時，以上兩點差異均未在論文中充分披露。

三、論文評審發帖：只提一次RaBitQ，我是震驚的

RaBitQ團隊的維權，獲得了一些網友和學術圈人士的聲援。

TurboQuant論文的一位評審者在公開的學術論文評審平臺OpenReview發表評論，稱他雖然認為TurboQuant的理論分析和實驗結果都很出色，但是也發現這一方法與RaBitQ存在明顯的共通之處，并要求TurboQuant團隊比較兩者在設計上的差異如何影響性能。

然而，在查看TurboQuant的最終版本時，他驚訝地發現在論文的實驗部分RaBitQ僅被提到了一次。

▲TurboQuant論文評審談這篇論文的問題

在知乎上，有位網友稱自己去年讀TurboQuant論文時，就感受到其與RaBitQ的相似之處，更像是把RaBitQ換了一種表達方式，在GPU上實現一遍，創新性不夠。

▲知乎網友評論TurboQuant創新性問題

還有網友稱，自己復現了TurboQuant，發現至少在向量檢索領域TurboQuant的召回率低于RaBitQ。

▲知乎網友質疑TurboQuant復現結果

X平臺上，有網友評價道，在論文提交前問題就被指出，但卻被忽略，這是最糟糕的結果。這意味著TurboQuant團隊明明意識到問題存在卻故意保留了下來。雖然同行評審流程應該能發現這些問題，但ICLR的接收并不總是意味著技術論斷站得住腳。

▲X平臺網友評價TurboQuant涉嫌學術不端事件

結語：頂會論文、大廠標簽不是護身符，學術敘事不容“帶病傳播”

截至目前，TurboQuant與RaBitQ之間的爭議尚未有官方定論。然而，學術研究的核心在于“可追溯”與“可復現”。當一篇論文被頂級會議接收，并通過大型科技公司的渠道獲得千萬級曝光時，其技術敘事的影響力已遠超學術圈本身，甚至波及資本市場。

在這種情況下，對先行工作的準確引用、對實驗條件的完整披露、對質疑的及時回應，便不再是可有可無的環節，而是維護學術共同體公信力的基本責任。

目前，RaBitQ論文團隊已向ICLR官方再次提交正式投訴和完整證據包。未來，他們還考慮在arXiv上發布詳細技術報告，進一步呈現兩項研究的關系。

無論結果如何，它都再次提醒我們，對學術規范的敬畏、對先行者的尊重，以及對每一份實驗數據的誠實，始終是不可逾越的底線。