Google TurboQuant记忆体技术陷争议！RaBitQ作者揭露「三大」论文问题

Google(GOOGL-US) 发布新 AI 记忆体压缩技术TurboQuant，引发业界与股市关注。然而，苏黎世联邦理工学院博士后高健扬指出，TurboQuant 论文存在方法相似性回避、理论结果错误及不公平实验问题，而这些问题在投稿前已告知 Google 团队却未修正。

Google 声称TurboQuant能在不牺牲模型精準度的情况下，将生成式 AI 推理阶段最消耗资源的KV Cache空间需求缩减至原本的 1/6，并让计算速度提升 8 倍。

‌

该技术一出，引发业界对记忆体需求可能断崖式下降的担忧，美光科技 (MU-US) 、SanDisk (SNDKV-US) 、威腾电子 (WDC-US) 等记忆体相关美股应声下跌。

然而，就在周五（27 日），苏黎世联邦理工学院博士后、RaBitQ 系列论文第一作者高健扬公开发布澄清信，指出 TurboQuant 论文存在三大严重问题，包括：系统性回避方法相似性、错误描述 RaBitQ 理论结果，及刻意创造不公平的对比实验环境。

高健扬表示，这些问题在论文投稿前已透过邮件告知 TurboQuant 团队，对方明知却未修正。

RaBitQ 是高健扬于 2024 年发表的高维向量量化方法，其核心创新之一是在量化前对输入向量施加随机旋转，并从理论上证明其达到顶级电脑科学会议提出的渐近最优误差界。

高健扬指出，Google 研究团队于 2026 年 1 月提交的论文《TurboQuant: Online Vector Quantization with Near-optimal Distortion Rate》对已有的 RaBitQ 向量量化方法的描述、理论对比与实验对比都存在明显问题。

他强调，这些问题在投稿前，自己已透过邮件明确指出错误，TurboQuant 团队也知情，但选择未进行修正，而此次公开澄清，是因为错误的学术叙事一旦广泛流传，后续纠正将更加困难。

TurboQuant 论文问题一：系统性地迴避 TurboQuant 方法与已有 RaBitQ 方法的相似性

高健扬指出，RaBitQ 与 TurboQuant 在方法上有直接关联，皆在量化前使用随机旋转（Johnson-Lindenstrauss 变换），但 TurboQuant 论文中未正面承认这一关联。

事实上，2025 年 1 月，TurboQuant 的第二作者 Majid Daliri 曾联繫 RaBitQ 团队，请求协助调试 Python 版本的 RaBitQ 程式码，可见 TurboQuant 团队充分了解 RaBitQ 细节。

儘管 ICLR 审稿人指出两者使用随机投影技术相似，TurboQuant 最终仍未在正文中充分讨论 RaBitQ，而是将其不完整描述移至附录。

TurboQuant 论文问题二：错误描述 RaBitQ 的理论结果

TurboQuant 论文声称 RaBitQ 的理论保证次优，但未提供任何论据。

高健扬指出，他们在拓展版 RaBitQ 论文的 Theorem 3.2 中，已经严格证明 RaBitQ 的误差界达到了理论电脑顶级会议论文给出的渐近最优误差界。

2025 年 5 月，RaBitQ 团队曾透过邮件多轮澄清，TurboQuant 第二作者确认已通知全体作者，但论文最终仍保留错误描述。

TurboQuant 论文问题三：刻意创造不公平的实验环境

TurboQuant 论文在对比实验中，使用单核 CPU 且关闭多线程测试 RaBitQ，而 TurboQuant 则使用 A100 GPU 测试，导致 RaBitQ 速度被严重低估。

高健扬指出，这两点都未在论文中充分披露，使读者误以为 RaBitQ 比 TurboQuant 慢数个数量级，却无从知道这个结论建立在刻意创造的不公平实验条件之上。

高健扬表示，他们已在 ICLR OpenReview 平台发表公开评论，并向 ICLR General Chairs、PC Chairs 及伦理委员会提交正式投诉。

接下来，RaBitQ 团队将在 arXiv 发布详细技术报告，并考虑向相关机构进一步反映。

高健扬强调，此举目的是确保学术纪录準确反映各方法之间的真实关係，并呼吁业界注意 TurboQuant 论文背后的问题。