🔍 耿同学打假报告

论文信息

• 论文来源：2405.07992v3.pdf (arXiv preprint)
• 标题：MambaOut: Do We Really Need Mamba for Vision?
• 作者：Weihao Yu, Xinchao Wang (National University of Singapore)
• 期刊：Preprint (Under review)
• DOI：未提供 (arXiv: 2405.07992)
• 发表年份：2024

综合评定：✅ 清白

详细发现

作为一篇探讨深度学习视觉架构的计算机视觉（CV）论文，本文并未包含传统生物医学论文中常见的 Western Blot、显微镜图或动物实验数据。因此，针对图片伪造、拼接等典型“生物医学灌水”检测项在此不适用。但基于“耿同学六式”的核心逻辑——数据合理性、方法学自洽性与时间线逻辑，本报告对该论文进行了全面审查。

发现 1：数据造假检测（随机数生成器检测）—— 正常

• 位置：Table 1, Table 2, Table 3
• 描述：本文的核心数据是 ImageNet、COCO 和 ADE20K 上的性能指标（Accuracy, AP, mIoU）以及计算开销（MACs, Params）。
• 证据：
  1. 数据非“完美”人造：对比表格中的数据，MambaOut 的表现（如 Tiny 模型 82.7% accuracy, 4.5G MACs）符合当前基于 Gated CNN 架构的正常性能分布。它比 VMamba-T (82.2%) 略好，符合其作为类似 ConvNeXt 架构的预期。
  2. 无逻辑冲突：通常造假的数据会出现“计算量极小但性能极高”的违反直觉现象。本文 MambaOut 剥离了 SSM 模块，计算效率理应较高，但在需要长序列建模的检测任务（Table 2）上确实打不过带了 SSM 的 VMamba。这种“优势与劣势并存”的结果非常符合真实的物理/数学规律，不像是捏造的“全能神药”数据。
• 严重程度：🟢 (无异常)

发现 2：图片复用与拼接检测 —— 不适用/无异常

• 位置：Figure 1 - Figure 4
• 描述：本文图片均为网络架构图、算法流程图和性能散点图。
• 证据：图中线条清晰，文字标注准确，无常见的 PS 痕迹、拼接错位或背景噪点异常。散点图的数据点分布自然，未呈现不自然的线性排列。
• 严重程度：🟢 (无异常)

发现 3：引用与方法学异常检测 —— 逻辑自洽

• 位置：Section 3, Algorithm 1, Equation 11
• **描述