报道介绍谷歌研究院于2026年3月25日发布新压缩算法TurboQuant，宣称可大幅降低大模型KV Cache内存并提升推理速度。3月27日晚，苏黎世联邦理工学院博士后、高健扬（RaBitQ算法第一作者）公开质疑论文存在严重问题，称TurboQuant在描述RaBitQ时存在误导：未承认关键方法相似性（JL变换/随机旋转）、无证据将RaBitQ理论称为“次优”、并在不公平的实验设置下对比（对RaBitQ用单核CPU、对TurboQuant用A100 GPU）。高健扬还指出RaBitQ已证明渐近最优性（FOCS'17界限），并称在投稿前已向作者提出这些问题但未被采纳，他已提交正式投诉；该论文已被ICLR2026接收并被谷歌大力推广。
3 月 28 日消息，谷歌研究院 3 月 25 日推出全新极端压缩算法 TurboQuant，有望重塑 AI 运行效率并解决大模型键值缓存（KV Cache）的内存瓶颈，据称可以使 AI 内存占用锐降至 1/6、推理狂飙 8 倍。
然而，3 月 27 日晚上 10 点，苏黎世联邦理工学院博士后、RaBitQ 算法的第一作者高健扬公开表示：“TurboQuant 论文在描述 RaBitQ 时存在严重问题，包括不正确的技术声明和误导性的理论、实验对比 —— 而这些问题在投稿前就已向作者指出，对方承认了，但选择不修正。”
IT之家注意到，他还表示，TurboQuant 在三个方面误传了 RaBitQ：
- 避免承认关键方法论上的相似性 (JL 变换)
- 在没有任何证据的情况下称我们的理论为“次优”
- 在不公平的实验设置下报告结果
高健扬指出，团队在作者提交论文之前就向其表达了担忧，但他们选择不在提交的论文中修正这些问题。该论文已被 ICLR2026 接收，并受到了谷歌的大力推广（浏览量达数千万次）。在这样的传播规模下，未经修正的言论很快就会变成所谓的“共识”。
他进一步指出未披露事项：
- RaBitQ 已经证明了渐近最优性 (FOCS'17 界限)
- TurboQuant 使用了相同的随机旋转步骤，但未说明其中的联系
- 他们的实验在 RaBitQ 上使用的是单核 CPU，而在 TurboQuant 上使用的是 A100 GPU。
最后，高健扬表示已提交正式投诉。
