La publicación de Google TurboQuant fue refutada punto por punto por el autor del algoritmo previo.

Según el monitoreo de 1M AI News, el postdoctorando de la ETH de Zúrich, Gao Jianyang, publicó una carta abierta en la que acusa que la descripción del artículo TurboQuant de Google para ICLR 2026 de su trabajo previo RaBitQ presenta tres problemas graves. Gao Jianyang es el primer autor de RaBitQ; este algoritmo se publicó en 2024 en la conferencia líder en bases de datos SIGMOD. Su método central consiste en aplicar rotaciones aleatorias antes de la cuantificación (transformación de Johnson-Lindenstrauss) y ya ha sido demostrado rigurosamente que alcanza un límite de error asintóticamente óptimo. También fue invitado a presentar el trabajo en el Workshop de FOCS, la conferencia líder en computación teórica.

Las tres acusaciones son, respectivamente:

1. Evasión de similitud del método: el método central de TurboQuant también utiliza rotaciones aleatorias, pero el artículo clasifica a RaBitQ como «PQ basado en rejilla», omitiendo sistemáticamente la relación directa entre ambos métodos. Los revisores de ICLR ya señalaron de manera independiente que ambos métodos usan proyecciones aleatorias y exigen una discusión complementaria. El equipo de TurboQuant no solo no la añadió, sino que además trasladó la descripción de RaBitQ en el cuerpo del texto al apéndice.

2. Falsedad en los resultados teóricos: el artículo, sin aportar ningún argumento, califica la garantía teórica de RaBitQ como «subóptima» (suboptimal), atribuyéndolo a «un análisis más laxo». El artículo de versión ampliada de RaBitQ ya ha demostrado que su cota de error alcanza el límite asintóticamente óptimo dado por Alon-Klartag (FOCS 2017).

3. Comparación experimental injusta: TurboQuant usa código Python traducido por ellos mismos para evaluar RaBitQ en una CPU de un solo núcleo (con la multitarea deshabilitada), pero evalúa su propio algoritmo usando una GPU NVIDIA A100. Esto hace que la velocidad de RaBitQ se reporte como más lenta en varios órdenes de magnitud, y además no se divulga esta configuración en el artículo.

Gao Jianyang revela que el segundo autor de TurboQuant, Majid Daliri, en enero de 2025 contactó proactivamente al equipo de RaBitQ solicitando ayuda para depurar su versión en Python traducida a partir del código C++ basado en RaBitQ. En el correo de mayo de 2025, confirmó personalmente que la configuración experimental era injusta, y declaró que había informado a todos los coautores sobre la aclaración teórica del equipo de RaBitQ. Sin embargo, desde entonces, en todo el proceso—desde la presentación, la revisión y la recepción hasta la promoción a gran escala oficial de Google—los problemas anteriores nunca se corrigieron.

El equipo de RaBitQ ya publicó comentarios abiertos en ICLR OpenReview y presentó una queja formal al presidente de la conferencia ICLR y al comité de ética. El primer autor de TurboQuant, Amir Zandieh, respondió diciendo que estaba dispuesto a corregir los puntos segundo y tercero, pero se negó a añadir la discusión sobre la similitud del método, y solo aceptó corregirlo después de que terminara la conferencia ICLR 2026. La investigadora independiente Jonas Matthias Kübler también señaló por separado en OpenReview que el artículo y el blog de Google no coinciden en el criterio de referencia de velocidad (PyTorch vs JAX) y en la línea base de cuantificación (FP32). Tras la promoción previa de TurboQuant por parte de Google a gran escala, esto había provocado una caída colectiva en las acciones de chips de almacenamiento como Micron y Western Digital.