谷歌TurboQuant算法遭中国博士后质疑，论文争议点深度剖析
近日，AI模型压缩领域发生了一场引人关注的学术风波。事件的起因是谷歌研究院在3月25日重磅发布的全新极端压缩算法TurboQuant。该技术旨在破解大语言模型推理过程中的核心瓶颈——键值缓存（KV Cache）所导致的庞大内存占用问题，宣称能将模型内存消耗降低至原有的六分之一，并使推理速度最高提升八倍，一度被业界视为可能重塑AI效率格局的突破。
然而，仅仅两天后，剧情出现反转。3月27日晚，苏黎世联邦理工学院博士后研究员、知名压缩算法RaBitQ的第一作者高健扬公开发文，对TurboQuant的论文内容提出严肃质疑。他明确指出，谷歌的这篇论文在描述其团队开创的RaBitQ工作时，存在多处严重的不准确陈述和误导性对比，并且在投稿前已被提醒的情况下仍未修正。
那么，争议的核心具体是什么？根据高健扬博士的详细梳理，TurboQuant论文主要在以下三个关键方面对RaBitQ的工作进行了误读与不公呈现。
第一，方法论溯源模糊。RaBitQ算法的核心理论基础之一是Johnson-Lindenstrauss变换（JL变换），而TurboQuant在论文中并未清晰说明自己同样依赖于这一关键数学工具，从而弱化了两项工作在最根本技术路径上的相似性与继承关系。
第二，缺乏依据的“次优”定性。TurboQuant在未提供严谨理论证明的情况下，就将RaBitQ的理论分析结论标记为“次优”。这种带有主观评判性质的断言，容易对读者造成先入为主的误导。
第三，实验设置有失公允。这是最受关注的实践性质疑。对比实验的公平性直接影响结论的可信度，而TurboQuant在评估RaBitQ性能时被指采用了不公平的硬件环境。
高健扬进一步强调，由于这篇存在争议的论文已被顶级学术会议ICLR 2026接收，并借助谷歌的平台获得了数千万次传播，若不及时澄清，文中不准确的表述恐将形成错误的“共识”，这对学术研究的健康发展是不利的。
除了上述三点，高博士还补充了几个未被充分披露的信息：其一，RaBitQ算法已在理论上被证明具有渐近最优性，符合相关理论上限；其二，TurboQuant实际采用了与RaBitQ相同的关键随机旋转步骤，但未明确承认这一技术关联；其三，实验对比中存在明显的“硬件不对等”问题——评估RaBitQ时使用单核CPU，而测试自家TurboQuant时则动用了强大的A100 GPU，这种差异无疑会极大影响性能对比结果的客观性。
目前，高健扬及其团队已决定正式提交投诉，以推动学术记录的澄清与更正。这场涉及算法创新归属、学术表述规范与实验伦理的争论，后续进展值得AI社区与科研界持续关注。
