谷歌研究院近日高調推出了一款名為TurboQuant的極端壓縮算法，宣稱該技術能夠顯著提升AI運行效率，并將大模型鍵值緩存（KV Cache）的內存占用銳減至原來的六分之一，同時使推理速度提升八倍。這項被寄予厚望的技術成果迅速引發業界關注，相關論文更是在未正式發表前就獲得了國際頂級會議ICLR2026的接收，并經谷歌推廣后獲得了數千萬次瀏覽量。
然而，這項看似突破性的研究很快陷入爭議漩渦。蘇黎世聯邦理工學院博士后高健揚公開指出，TurboQuant論文在描述其團隊此前提出的RaBitQ算法時存在多處嚴重問題。作為RaBitQ的第一作者，他強調團隊早在論文投稿前就已向谷歌方面指出技術聲明不準確、理論對比誤導性等缺陷，但對方僅承認問題卻未在最終版本中修正。
據高健揚披露，爭議焦點集中在三個方面：首先，TurboQuant刻意回避了與RaBitQ在關鍵方法論（JL變換）上的相似性；其次，論文在缺乏實證依據的情況下將RaBitQ的理論描述為"次優"；更令人質疑的是，實驗環節存在明顯不公平——RaBitQ的測試環境為單核CPU，而TurboQuant則使用了高端A100 GPU。
這位學者進一步揭露了未被披露的技術關聯：RaBitQ早已證明其漸近最優性（FOCS'17界限），而TurboQuant采用的隨機旋轉步驟實則與其存在理論淵源，但論文中對此只字未提。這種選擇性呈現技術細節的做法，在學術界引發了對研究誠信的廣泛討論。
面對持續發酵的質疑，高健揚表示已向會議組織方提交正式投訴。這場學術爭議不僅暴露了AI領域技術競爭的激烈程度，更引發了關于研究透明度和學術倫理的深層思考——在追求技術突破的同時，如何維護科學研究的嚴謹性與公正性，成為整個行業需要共同面對的課題。
