AI大模型论文陷荒谬错误，研究员愤怒揭露

近期，AI大模型公司阶跃星辰的研究员Lei Yang经历了一场令人震惊的学术风波——他被苹果在arXiv上发表的论文狠狠坑了一把。

面对反馈的问题，对方只是简单回应了两句就关闭了issue。无奈之下，Lei Yang只能留下公开评论，这才促使对方撤稿并下架了代码。

故事起始于本月初，Lei Yang被同事推荐了一篇苹果在arXiv上发表的论文。该论文正投往ICLR 2026，其中提出的benchmark与Lei Yang的研究工作高度契合。他欣喜若狂，立刻暂停手头工作，开始适配这个benchmark。

然而，这个声称“小模型全面超越GPT-5、数据经人工精心把控”的视觉benchmark，实际上却存在荒谬的官方代码bug和高达约30%的GT（Ground Truth）错误率。

Lei Yang在适配过程中发现，尽管熬了一个周末的通宵完成适配，模型跑出的结果却极其糟糕，远低于预期。他开始做各种检查和尝试，最终发现了官方代码的bug。修复后，模型的性能反而更低了。

震惊之余，Lei Yang决定一条一条地分析错题。他抽查了前20道阶跃模型答错的题，发现其中有6道题明确属于GT错误。他初步估算，GT错误率可能高达30%。

愤怒之下，Lei Yang在GitHub上向作者反馈错误，并撰写了一份详尽的Public Comment。然而，ICLR review公布后，他惊讶地发现该论文的5条reviews居然没有任何一个审稿人发现GT质量问题。

最后，在公开评论发表的第二天，论文作者就宣布撤稿，并删除了GitHub上的repo。

原论文作者公开回应

这两天Lei Yang在多个平台分享自己的惨痛经历，希望通过这一遭遇警醒更多研究者。今天上午，论文作者现身回应了。

他首先声明自己这边已经和Lei Yang详细交流，也感谢和尊重推动学术社区进展的每个人。

论文作者承认了对数据质量的审核不周。虽然当初对injected error（人为注入错误）的样本做了人工检查，但没有认真审核更关键的部分。他解释称项目中的example inference代码是一个dummy示例，不是正式的演示代码。

最后他对自己当时直接关闭了issue感到非常抱歉，并表示会认真总结这次的经验教训，再接再厉。