打崩内存股的「谷歌论文」被质疑：方法、理论、实验全被追问
2026 年 3 月 27 日，RaBitQ 系列论文作者 Cheng Long 在 ICLR OpenReview 发布公开评论，随后 Jianyang Gao 也在知乎、X 上发声，直指 Google Research 的 ICLR 2026 论文《TurboQuant: Online Vector Quantization with Near-optimal Distortion Rate》在描述既有工作 RaBitQ 时，存在方法关系交代不准确、理论比较失实、实验披露不充分等问题。
按照 RaBitQ 作者的说法，这些问题在 TurboQuant 投稿前就已通过邮件明确指出，但最终仍被保留在论文版本中，而论文又在被 ICLR 2026 接收后经 Google 官方渠道大规模传播，导致相关争议被迅速放大。
这场争议，不只是因为两篇论文都落在“高维向量量化”这一技术方向，更因为 TurboQuant 此前被 Google 作为“重新定义 AI 效率”的成果重点宣传。
Google 在博文中将其描述为一种面向大模型 KV cache 压缩和向量检索的高效量化方法，称其可在不训练、不微调的情况下，将 KV cache 压缩到约 3 bit 级别，在长上下文任务中尽量维持精度，并在 H100 上实现 attention logits 计算的显著加速。论文本身也把 TurboQuant 定位为一种接近信息论下界、兼顾 MSE 与 inner product distortion 的在线向量量化算法。
该论文导致 Micron、Western Digital、SanDisk、Seagate 等多只与内存、存储相关的股票集体回落。
RaBitQ 作者此次公开提出的异议，核心集中在三个层面。
一、方法层面的描述存在实质性不完整。
TurboQuant 多次将随机旋转描述为其方法的关键步骤，但在介绍 RaBitQ 时，主要将其归结为一种基于网格的 PQ 框架，却省略了 Johnson-Lindenstrauss 变换／随机旋转，而这恰恰是两种方法之间最重要的联系之一。更关键的是，即便两位审稿人都曾要求作者澄清并讨论 Johnson-Lindenstrauss 变换／随机旋转，TurboQuant 的 ICLR 定稿版仍未补充相关讨论，反而把正文中原本对 RaBitQ 的描述移到了附录。
二、理论层面的描述也缺乏支撑。
TurboQuant 将 RaBitQ 的理论保证描述为“次优”，并将原因归结为“分析较松”，但并未给出任何解释。而用户方在 2024 年 9 月发布的论文 [2] 中，已经明确声称其结果具备渐近最优性，与 Alon 和 Klartag [3] 的最优界一致。即便这一问题在 2025 年 5 月的邮件沟通中已被明确提出并解释，作者在提交给 ICLR 的论文版本中，仍未系统说明 TurboQuant 的理论保证与 RaBitQ 系列工作的关系。
三实验层面的对比同样缺乏充分披露。
Majid 在 2025 年 1 月的邮件中曾表示，他把用户方 RaBitQ 的 C++ 实现翻译成了 Python，并请求协助调试。到 2025 年 5 月，他又进一步承认，在论文报告的运行时间实验设置中，RaBitQ 基线是在单个 CPU 上运行，且关闭了 multiprocessing；而 TurboQuant 方法本身则运行在 A100 GPU 上。但公开论文在给出效率比较结论时，并未清楚披露这一实验设置。这个问题也曾在 2025 年 5 月的私下邮件中被明确指出。
当前的争议并不自动等同于“TurboQuant 没有技术价值”，而是在于这项价值应当如何被准确表述，它与 RaBitQ 等先行工作的关系，应当如何被诚实摆在台面上。
RaBitQ 论文作者@高健扬 知乎全文如下。
作者：gaoj00179
链接：https://zhuanlan.zhihu.com/p/2020969476166808284
来源：知乎著作权归作者所有。
大家好，我叫高健扬，目前在苏黎世联邦理工学院做博士后，我是 RaBitQ 系列工作的第一作者。
Google Research 于2026年1月被 ICLR 2026 会议接收的论文 ”TurboQuant: Online Vector Quantization with Near-optimal Distortion Rate“ 中，有关已有的 RaBitQ 向量量化算法的描述，理论结果对比，实验对比均存在严重问题（详细情况后文会展开描述）。
这些问题在论文投稿至 ICLR 2026 前已被我们通过邮件明确指出，TurboQuant 团队也明确表示已知情，但选择了不予修正。论文随后被 ICLR 2026 会议接收，然后通过 Google 官方渠道大规模推广，在社交媒体浏览量已达到数千万次。
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。
--
背景：RaBitQ 是什么
RaBitQ 系列论文（如下所列）于2024年发表，提出了一种高维向量量化方法，并从理论上证明其达到了理论计算机顶级会议论文（Alon-Klartag, FOCS 2017）给出的渐近最优误差界。
RaBitQ（arXiv:2405.12497，2024年5月，随后发表于顶级会议SIGMOD 2024） 扩展版（arXiv:2409.09913，2024年9月，随后发表于顶级会议SIGMOD 2025）
RaBitQ 的核心想法之一是在量化前对输入向量施加随机旋转（random rotation / Johnson-Lindenstrauss 变换），利用旋转后坐标分布的性质做向量量化，在理论上实现最优误差界。
--
TurboQuant 论文问题一：系统性地回避 TurboQuant 方法与已有 RaBitQ 方法的相似性
RaBitQ 与 TurboQuant 在方法层面有直接的结构联系，两者都在量化前对输入向量施加随机旋转（Johnson-Lindenstrauss 变换）。这是两篇论文方法设计中最核心、最接近的部分。
TurboQuant 的作者在 ICLR OpenReview 审稿平台上对审稿人的回复中，亲自这样描述自己的方法：
然而在这段回复、TurboQuant 论文中的方法介绍乃至整篇论文中，从未正面说明这一结构与 RaBitQ 完全一致。这一回避发生在以下背景之下：
2025年1月（TurboQuant 论文在 arXiv 发布的数月前），TurboQuant 论文的第二作者 Majid Daliri 主动联系我们，请求帮助调试他自己基于 RaBitQ C++ 代码实现的 Python 版本。他详细描述了自己复现的步骤、代码片段和具体报错，这一点可以说明 TurboQuant 团队对 RaBitQ 的技术细节有充分的了解。之后在2025年4月他们在 arXiv 发布的论文版本，以及2025年9月他们在 ICLR 2026 会议投稿的论文版本中，他们将 RaBitQ 描述为 grid-based PQ，并且在描述中忽略了 RaBitQ 中核心的 random rotation 的步骤。ICLR 的一位审稿人也在审稿意见中独立指出：”RaBitQ and variants are similar to TurboQuant in that they all use random projection”，并明确要求更充分的讨论和比较。尽管如此，在 ICLR 会议最终版本论文中，TurboQuant 的作者不仅没有加入对 RaBitQ 讨论，甚至反而还将原本正文中对 RaBitQ 不完整描述移到了附录中。
为此，我们于2026年3月通过邮件联系了 TurboQuant 所有作者，提出了以上问题及纠正请求后，TurboQuant 作者在回复中以
为由拒绝了这一请求。我们认为这一回应是在转移矛盾：作为在相同问题设定下率先将随机旋转（Johnson-Lindenstrauss 变换）与向量量化结合、并建立最优理论保证的具体先行工作，RaBitQ 应当在文中被准确描述，其与 TurboQuant 方法的联系应当充分讨论。
--
TurboQuant 论文问题二：错误描述 RaBitQ 的理论结果
TurboQuant论文在不提供任何论据的情况下，将 RaBitQ 的理论保证定性为”次优”。TurboQuant 论文写道：
这句话直接将 RaBitQ 的理论保证定性为”次优（suboptimal）”，将原因归结为”较粗糙的分析（loose analysis）”。但论文没有提供任何推导、对比或证据来支撑这一判断。 事实是：我们在拓展版 RaBitQ 论文（arXiv:2409.09913）的 Theorem 3.2 中，已经严格证明 RaBitQ 的误差界达到了理论计算机顶级会议论文（Alon-Klartag, FOCS 2017）给出的渐近最优误差界。因为这一结果，我们被邀请至理论计算机科学顶级会议 FOCS 的 Workshop 进行报告。 为此，我们于2025年5月通过邮件与 TurboQuant 的第二作者 Majid Daliri 进行了多轮详细的邮件技术讨论，逐条澄清了 TurboQuant 团队对我们理论结果的错误解读。Majid Daliri 在邮件中明确表示已将这些讨论告知全体共同作者。 然而后面 TurboQuant 论文在提交至 ICLR 2026、经过审稿、被接收，最终大规模宣发的全过程中，这个对 RaBitQ 理论保证的错误定性始终未被修正。 一个没有证据支撑的断言，在被原作者具体指出错误、且 TurboQuant 作者方已明确知情的情况下，仍被保留在正式发表的 TurboQuant 论文中，我们认为这已超出普通失误的范畴。
--
TurboQuant 论文问题三：刻意创造不公平的实验环境
TurboQuant 论文使用劣化的实现、关闭多线程使用单核CPU测试 RaBitQ 的效果，却使用 A100 GPU 测试 TurboQuant 的效果。TurboQuant 报告的 RaBitQ 量化速度比我们开源实现的实际速度慢了数个数量级。 2025年5月的邮件中，Majid Daliri 本人解释了这一差距的来源：
我们的官方 RaBitQ 代码在论文发布至 arXiv 时（2024年5月与2024年9月）就已经公开，并且默认采用多线程并行。并且，Majid Daliri 在2025年1月的邮件中还说明，他成功跑通 RaBitQ 的代码用以测试，但他用于实验的仍是自己翻译的 Python 版本。这意味着，TurboQuant 论文中对 RaBitQ 速度的报告，叠加了两层系统性的不公平条件：
1、使用自己翻译的 Python 代码，而非我们开源的 C++ 实现
2、使用单核CPU，关闭多线程并行测试 RaBitQ 算法，但却使用 NVIDIA A100 GPU 测试 TurboQuant 算法
以上两点均未在论文中充分披露。读者看到的是 RaBitQ 比 TurboQuant 慢数个数量级这一结论，却无从知道这一结论建立在刻意创造的不公平的实验条件之上。
--
事件完整时间线
2024年5月：RaBitQ 论文在 arXiv 发布，同时源代码公开（后面发表在顶级会议 SIGMOD 2024）
2024年9月：拓展版 RaBitQ 论文在 arXiv 发布，同时源代码公开（后面发表在顶级会议 SIGMOD 2025）
2025年1月：TurboQuant 论文第二作者 Majid Daliri 联系我们，请求协助调试 Python 版 RaBitQ 实现
2025年4月：TurboQuant 论文在 arXiv 发布
2025年5月：我们跟 Majid Daliri 通过邮件询问了实验条件的差异并清楚解释了 RaBitQ 的理论保证最优性， Majid Daliri 表示他已告知全体作者，但在我们要求修正 TurboQuant 论文中的事实性错误之后，Majid Daliri 停止回复
2025年11月：我们发现 TurboQuant 论文被提交至 ICLR 2026 会议，且论文中的事实性错误并未修正，为此我们联系了 ICLR 2026 PC Chairs，未获回应
2026年1月：TurboQuant 论文被 ICLR 2026 接收 2026年3月：TurboQuant 团队通过 Google 官方渠道持续推广，社交媒体相关浏览量已达数千万次
2026年3月：我们正式向 TurboQuant 全体作者发送邮件，阐述以上三个事实性问题并要求做出修正及澄清。截至目前为止，我们仅收到 TurboQuant 论文第一作者 Amir Zandieh 的笼统答复，承诺会修正问题二和问题三，但拒绝修正问题一（即讨论 TurboQuant 与 RaBitQ 在技术上的相似性）。并且，他们仅愿意在 ICLR 2026 正式会议结束之后才做相应修正
我们已经做了什么
在 ICLR OpenReview 发布公开评论: https://openreview.net/forum?id=tO3ASKZlok
向 ICLR General Chairs, PC Chairs, Code and Ethnics Chairs 再次提交正式投诉，附完整证据包
我们接下来会做什么
在 arXiv 发布详细的关于 TurboQuant 和 RaBitQ 的技术报告
考虑向相关机构进一步反映
最后
我们提出这些问题，目标是让公共学术记录准确地反映各方法之间的真实关系。一篇论文被 Google 以数千万曝光量推向公众，在这种体量下，论文中错误的叙事不需要主动传播，只需要不被纠正，就会自动成为共识，这也是我们选择公开记录的原因。
在此我们也恳请大家让更多人知道 TurboQuant 论文背后存在的问题，我们相信真理越辩越明。
==
Update: 经各位朋友建议在X上发了一条消息，感谢大家的关注
云头条声明：如以上内容有误或侵犯到你公司、机构、单位或个人权益，请联系我们说明理由，我们会配合，无条件删除处理。