据 1M AI News 监测，苏黎世联邦理工学院博士后高健扬发布公开信，指控谷歌 ICLR 2026 论文 TurboQuant 对其先行工作 RaBitQ 的描述存在三项严重问题。高健扬是 RaBitQ 的第一作者，该算法于 2024 年发表于数据库顶级会议 SIGMOD，核心方法是在量化前施加随机旋转（Johnson-Lindenstrauss 变换），并已严格证明达到渐近最优误差界，曾受邀在理论计算机顶级会议 FOCS 的 Workshop 上报告。三项指控分别为：1. 方法相似性回避：TurboQuant 的核心方法同样采用随机旋转，但论文将 RaBitQ 归类为「基于网格的 PQ」，系统性地省略了两者在方法上的直接关联。ICLR 审稿人曾独立指出两种方法都使用随机投影并要求补充讨论，TurboQuant 团队不仅未补充，反而将正文中对 RaBitQ 的描述移至附录2. 理论结果失实：论文在无任何论据的情况下，将 RaBitQ 的理论保证定性为「次优」（suboptimal），归因于「分析较松」。RaBitQ 扩展版论文已证明其误差界达到 Alon-Klartag（FOCS 2017）给出的渐近最优界3. 实验对比不公：TurboQuant 使用自行翻译的 Python 代码在单核 CPU 上测试 RaBitQ（关闭多线程），却用 NVIDIA A100 GPU 测试自身算法，导致 RaBitQ 速度被报告慢了数个数量级，且未在论文中披露这一设置高健扬披露，TurboQuant 第二作者 Majid Daliri 于 2025 年 1 月主动联系 RaBitQ 团队请求协助调试其基于 RaBitQ C++ 代码翻译的 Python 版本，2025 年 5 月的邮件中亲自确认了实验条件的不公平设置，并表示已将 RaBitQ 团队的理论澄清告知全体共同作者。但此后 TurboQuant 论文在投稿、审稿、接收直至谷歌官方大规模推广的全过程中，上述问题始终未修正。RaBitQ 团队已在 ICLR OpenReview 发布公开评论，并向 ICLR 大会主席和道德委员会提交正式投诉。TurboQuant 第一作者 Amir Zandieh 回复称愿修正第二和第三项问题，但拒绝补充方法相似性讨论，且仅同意在 ICLR 2026 会议结束后修正。第三方研究者 Jonas Matthias Kübler 也在 OpenReview 独立指出，论文与谷歌博客在速度基准（PyTorch vs JAX）和量化基线（FP32）上口径不一致。TurboQuant 此前经谷歌官方大规模宣传后，曾引发 Micron、Western Digital 等存储芯片股集体下跌。
