El artículo de TurboQuant de Google criticado por el autor del algoritmo previo

Según 1M AI News, Gao Jianyang, un investigador postdoctoral en ETH Zurich, ha publicado una carta abierta acusando al artículo de ICLR 2026 de Google, TurboQuant, de tres inexactitudes graves en su descripción de su trabajo previo, RaBitQ. Gao Jianyang, el primer autor de RaBitQ, un algoritmo publicado en 2024 en la principal conferencia de bases de datos SIGMOD, emplea rotación aleatoria (transformación de Johnson-Lindenstrauss) antes de la cuantización. Este método ha sido rigurosamente demostrado para lograr límites de error asintóticamente óptimos y fue invitado a ser presentado en un taller de la principal conferencia de ciencias de la computación teóricas, FOCS.

Las tres acusaciones son:

1. Evasión de la Similitud Metodológica: El método central de TurboQuant también utiliza rotación aleatoria. Sin embargo, el artículo categoriza a RaBitQ como ‘PQ basado en cuadrículas’, omitiendo sistemáticamente la conexión metodológica directa entre los dos. Los revisores de ICLR señalaron de forma independiente que ambos métodos utilizan proyección aleatoria y solicitaron una discusión suplementaria. El equipo de TurboQuant no solo no proporcionó esto, sino que también trasladó la descripción de RaBitQ del texto principal al apéndice.
2. Resultados Teóricos Inexactos: El artículo etiqueta cualitativamente la garantía teórica de RaBitQ como ‘subóptima’ sin ninguna justificación, atribuyéndola a ‘análisis laxo.’ Un artículo extendido sobre RaBitQ ya ha demostrado que su límite de error alcanza el límite asintóticamente óptimo dado por Alon-Klartag (FOCS 2017).
3. Comparación Experimental Injusta: TurboQuant probó RaBitQ utilizando un código en Python autotraducción en un CPU de un solo núcleo (con multi-hilo desactivado), mientras que probó su propio algoritmo en una GPU NVIDIA A100. Esto resultó en que RaBitQ se reportara como órdenes de magnitud más lento. Esta configuración experimental no fue divulgada en el artículo.

Gao Jianyang reveló que Majid Daliri, el segundo autor de TurboQuant, contactó proactivamente al equipo de RaBitQ en enero de 2025 para solicitar asistencia en la depuración de su versión en Python, que fue traducida del código en C++ de RaBitQ. En un correo electrónico fechado en mayo de 2025, Daliri confirmó personalmente la configuración experimental injusta y declaró que las aclaraciones teóricas del equipo de RaBitQ habían sido comunicadas a todos los coautores. A pesar de esto, los problemas permanecieron sin corregir durante todo el proceso de presentación, revisión, aceptación y amplia promoción de TurboQuant por parte de Google.

El equipo de RaBitQ ha publicado un comentario público en ICLR OpenReview y ha presentado una queja formal al ICLR Conference Chair and Ethics Committee.

Amir Zandieh, el primer autor de TurboQuant, respondió, expresando su disposición a corregir los segundos y terceros problemas, pero negándose a complementar la discusión sobre la similitud metodológica. Solo acordó hacer correcciones después de que concluyera la conferencia ICLR 2026. El investigador independiente Jonas Matthias Kübler también notó de manera independiente en OpenReview inconsistencias entre el artículo y el blog de Google respecto a los puntos de referencia de velocidad (PyTorch vs. JAX) y la línea base de cuantización (FP32).

Tras una amplia promoción oficial por parte de Google, la versión anterior de TurboQuant había causado previamente una caída colectiva en las acciones de chips de almacenamiento, incluidas las de Micron y Western Digital.