Google TurboQuant-Paper wird Punkt für Punkt von den Autoren des vorhergehenden Algorithmus widerlegt.

Laut 1M AI News hat der Postdoktorand Gao Jianyang vom ETH Zürich einen offenen Brief veröffentlicht, in dem er Google beschuldigt, in der ICLR 2026 Arbeit TurboQuant drei schwerwiegende Probleme in der Beschreibung seiner Vorarbeit RaBitQ zu haben. Gao Jianyang ist der erste Autor von RaBitQ, einem Algorithmus, der 2024 auf der Top-Konferenz SIGMOD veröffentlicht wurde, dessen Kernelement darin besteht, vor der Quantisierung zufällige Rotationen (Johnson-Lindenstrauss-Transformation) anzuwenden, und der strengen Nachweis für die Erreichung der asymptotisch optimalen Fehlergrenze erbracht hat und zu einem Workshop der Top-Konferenz für theoretische Informatik FOCS eingeladen wurde.

Die drei Vorwürfe lauten wie folgt:

1. Vermeidung der Ähnlichkeit der Methoden: Die Kernmethode von TurboQuant verwendet ebenfalls zufällige Rotationen, aber die Arbeit klassifiziert RaBitQ als „gitterbasiertes PQ“ und lässt systematisch die direkte Verbindung zwischen beiden Methoden aus. Die ICLR-Gutachter haben unabhängig darauf hingewiesen, dass beide Methoden zufällige Projektionen verwenden und eine ergänzende Diskussion gefordert, doch das TurboQuant-Team hat nicht ergänzt, sondern die Beschreibung von RaBitQ im Haupttext in den Anhang verschoben.
2. Unrichtige theoretische Ergebnisse: Die Arbeit qualifiziert RaBitQs theoretische Garantien ohne jegliche Beweise als „suboptimal“ und führt dies auf „eine zu lockere Analyse“ zurück. Die erweiterte Version der RaBitQ-Paper hat nachgewiesen, dass ihre Fehlergrenze die asymptotisch optimale Grenze erreicht, die von Alon-Klartag (FOCS 2017) gegeben wurde.
3. Unfaire experimentelle Vergleiche: TurboQuant testet RaBitQ mit selbstübersetztem Python-Code auf einem Einzelkern-CPU (ohne Multithreading), verwendet jedoch einen NVIDIA A100 GPU für die Tests seines eigenen Algorithmus, was dazu führt, dass die Geschwindigkeit von RaBitQ um mehrere Größenordnungen langsamer berichtet wird, ohne dass diese Einstellung in der Arbeit offengelegt wird.

Gao Jianyang gab bekannt, dass Majid Daliri, der zweite Autor von TurboQuant, im Januar 2025 proaktiv das RaBitQ-Team kontaktiert hat, um Unterstützung bei der Fehlersuche seiner auf RaBitQ basierenden C+±Code-Übersetzung in Python anzufordern. In einer E-Mail im Mai 2025 bestätigte er persönlich die unfairen Bedingungen des Experiments und erklärte, dass er das theoretische Klärung des RaBitQ-Teams allen Mitautoren mitgeteilt hatte. Doch in dem gesamten Prozess der Einreichung, Begutachtung, Annahme und der großangelegten Promotion durch Google blieben die oben genannten Probleme unberührt.

Das RaBitQ-Team hat einen öffentlichen Kommentar auf ICLR OpenReview veröffentlicht und eine formelle Beschwerde an den Vorsitzenden und den Ethikkommission der ICLR-Konferenz eingereicht. Amir Zandieh, der erste Autor von TurboQuant, antwortete, dass er bereit sei, die zweiten und dritten Probleme zu korrigieren, aber die Diskussion über die Ähnlichkeit der Methoden abzulehnen, und nur zustimme, nach dem Ende der ICLR 2026 Konferenz Korrekturen vorzunehmen. Der Drittforscher Jonas Matthias Kübler hat ebenfalls unabhängig auf OpenReview darauf hingewiesen, dass die Arbeit und der Google-Blog in den Geschwindigkeitstests (PyTorch vs JAX) und der Quantisierungsbasislinie (FP32) inkonsistent sind. TurboQuant hatte zuvor nach einer großangelegten Werbung durch Google einen kollektiven Rückgang der Aktien von Speicherchipfirmen wie Micron und Western Digital ausgelöst.