🔍 耿同学打假报告

论文信息

论文来源：2405.07992v3.pdf
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：无 (arXiv:2405.07992v3)
发表年份：2024

综合评定：✅ 清白

详细发现

这篇论文是一篇典型的计算机视觉领域的深度学习模型构建与分析论文。由于学科特性，本文不包含生物医学论文中常见的Western blot、凝胶电泳、显微镜图等易造假图片，也不包含需要进行复杂统计检验的p值或临床患者数据。论文的核心在于概念推导、网络架构设计以及在标准数据集上的性能对比。

以下是使用“耿同学六式”对该论文进行的全面审查：

发现 1：图片与数据复用检测（第一式）

位置：全文图表 (Figure 1-4, Table 1-5)
描述：论文中的图片均为神经网络架构图、流程图或由代码生成的散点图（如Figure 1b）。表格数据均为模型在ImageNet、COCO、ADE20K上的性能指标（Accuracy, mAP, mIoU, 参数量, MACs等）。
证据：图表干净清晰，未发现任何视觉上的克隆、复制、旋转或拼接痕迹。所有比较数据（如ConvNeXt, Swin, VMamba等）均标注了引用，属于公平横向对比。
严重程度：✅ 正常

发现 2：数据造假与随机性检测（第二式）

位置：Table 1, Table 2, Table 3
描述：对论文报告的模型性能数据进行逻辑审查。
证据：
1. 精度与计算量匹配：作者声称 MambaOut-Small 以 9.0G MACs 达到 84.1% 准确率，而对比的 LocalVMamba-S 为 11.4G MACs 达到 83.7%。作者称其仅需对比模型 79% 的计算量（9.0 / 11.4 ≈ 78.9%），数学计算完全自洽。
2. 数据分布：深度学习模型的精度、参数量等数据受随机种子和硬件影响，通常呈现不规则小数（如 82.7%, 4.5G, 49.5%），未见人工编造的“整数化”或“过度整齐”的痕迹。
严重程度：✅ 正常

发现 3：统计学与实验合理性（第四式 & 第五式）

位置：Section 4.2, 4.3, 4.4 实验设置部分
描述：检查实验参数设置的内部逻辑。
证据：
1. 公式验证：作者提到学习率缩放规则为 $lr = \frac{batchsize}{1024} \times 10^{-3}$ ，并设定 batch size 为 4096，得出 $$lr = 0.004$$ 。计算： $$4096 / 1024 * 0.001 = 0.004$$ ，逻辑严密无误。
2. 训练时长：使用 4 张 NVIDIA 4090 显卡进行 300 epochs 的 ImageNet 训练及下游任务训练，符合目前的算力常规，不存在时间线上无法完成的“量产型”疑点。
严重程度：✅ 正常

发现 4：方法学与文本 Copy-Paste 瑕疵（第六式）

位置：Section 4.4 (Page 10, Semantic segmentation on ADE20K)
描述：在描述 ADE20K 实验设置时，存在一处疑似 Copy-Paste 忘记修改的笔误。
证据：原文写道 “In our experiments, Mamba is employed as the backbone for UperNet [85]...”。结合上下文，本文提出的模型叫 MambaOut，且整个 Section 4 的目的就是为了验证 MambaOut 的性能。因此，这里显然是从 4.3 节复制文本时，忘记将 "Mamba" 改为 "MambaOut"。
严重程度：🟡 轻微（属于文字排版失误，并未影响实验数据的真实性，不影响核心结论）

发现 5：时间线冲突检测（基于2026年视角）

位置：References & Experimental Setup
描述：检查引用文献与硬件设备的时间逻辑。
证据：文中引用的文献最新为 2024 年（如 arXiv:2403.09338, 2403.17695 等），符合其作为 2024 年 5 月预印本的时间线。使用的 NVIDIA 4090 显卡在 2024 年已广泛使用，时间线完全合理。
严重程度：✅ 正常

耿同学辣评

这是一篇逻辑非常丝滑的“反向蹭热度”佳作！作者用严谨的数学推导告诉你：你们跟风搞的视觉 Mamba，在分类任务上其实连它的“空壳子”（去掉了核心SSM模块的 MambaOut）都打不过。虽然写结论的时候手抖，把自家的 MambaOut 敲成了 Mamba（不小心暴露了 copy-paste 的程序员本质），但这波“掏心窝子”的消融实验，绝对是 2024 年视觉 Mamba 圈子里的一股清流。不仅没造假，还帮大家省了算力，良心文章，建议速发！

建议后续行动

论文核心数据真实可靠，无需联系作者提供原始数据。
建议作者在下一版修改中修正 Section 4.4 第一段的 "Mamba" 为 "MambaOut"（排雷成功）。
不需要在 PubPeer 上提出质疑。

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。

MambaOut: Do We Really Need Mamba for Vision?