🔍 耿同学打假报告

论文信息

• 论文来源：2408.02288v3.pdf
• 标题：Spin glass model of in-context learning
• 作者：Yuhao Li, Ruoran Bai, and Haiping Huang
• 机构：PMI Lab, School of Physics, Sun Yat-sen University（中山大学）
• 发表年份：2025 (Dated: April 21, 2025)

综合评定：✅ 清白

详细发现

作为学术打假博主，我得先说一句公道话：这篇论文是一篇纯理论计算与统计物理（自旋玻璃模型）交叉方向的论文，完全没有湿实验的 biochemical 图。 对于这类论文，“耿同学六式”中关于 Western Blot 拼接、PS 痕迹、统计学 p 值异常等常规“重灾区”检查项是天然免疫的（没有条件去造假图片）。但我们依然可以用严密的理论和逻辑视角去审视它。

发现 1：代码与数据的可复现性（极佳）

• 位置：参考文献 [26] 及脚注
• 描述：理论物理和 AI 模型论文最容易被质疑的就是“数据是不是专门挑出来的（cherry-picking）”。该论文在正文中直接公开了所有模拟实验的 GitHub 源代码链接：https://github.com/PMI-SYSU/spin-glass-model-of-in-context-learning。
• 证据：在理论推导中，作者声称 SGD 训练结果与 AMP（近似消息传递）算法的结果完美吻合（图4）。这种吻合如果全靠调参硬凑很容易露馅，但公开代码意味着同行可以直接运行验证，极大降低了造假的可能性。
• 严重程度：🟢（加分项）

发现 2：公式推导与逻辑的自洽性

• 位置：正文公式 (1) - (11) 及补充材料 (SM) 推导
• 描述：从公式 (2) 的均方误差损失函数映射到公式 (5) 的自旋玻璃哈密顿量，再到公式 (8) 的 AMP 迭代方程和公式 (11) 的唯一解证明。逻辑链条非常完整。特别是利用中心极限定理（CLT）推导 \(C_0 \approx I_D\) 的非渐近极限假设，是理论物理中标准且严谨的操作。
• 证据：没有出现“随机数生成器都不如”的数据硬伤，所有的实验参数（\(P=1000, D=10, N=100\) 等）在各个图注中保持了高度一致。
• 严重程度：🟢（逻辑自洽）

发现 3：时间线检测无异常

• 位置：全文参考文献与发表日期
• 描述：基于当前日期（2026-06-17）进行核查，该论文标注日期为 2025 年 4 月 21 日。参考文献中出现了 2024 年和 2025 年（如文献 [41] arXiv:2502.05244, 2025）的文献。
• 证据：2025 年 2 月的预印本被 2025 年 4 月的论文引用，时间逻辑完全合理，不存在“穿越时空”使用未来试剂或未发表设备的情况。
• 严重程度：🟢（时间线合理）

发现 4：文本提取导致的参考文献残缺（非造假）

• 位置：文末参考文献列表
• 描述：在进行文本分析时发现，部分参考文献（如 [1], [3], [4]）似乎缺失了前半部分的作者名字或文章标题。
• 证据：例如“[4] translate. In ICLR 2015...”。注意：这并非论文本身的问题，而是由于双栏排版 PDF 转换为纯文本时的跨栏识别错误导致的。排除此项造假嫌疑。
• 严重程度：⚪（工具识别问题）

耿同学辣评

拿找 Western Blot 重复条带的放大镜去看一篇统计物理推导的数学公式，属实是“张飞绣花——有劲使不上”了。这是一篇推导严密且极其大方公开代码的硬核理论跨界文章，那些天天靠 PS 修图水论文的“学术裁缝”们，真该来向搞统计力学的人学学什么叫真正的科研硬通货！

建议后续行动

• 无需联系作者要求提供原始数据（作者已在 GitHub 开源）。
• 无需在 PubPeer 上提出质疑。
• 向期刊编辑部举报
• 向作者所在机构学术委员会举报

⚠️ 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。