🔍 耿同学打假报告

论文信息

标题：UnionSparse: Sparsedge (疑似拼写错误或复制残留，原意应为 High-Performance Framework for Low-Bit Sparse LLM Inference on Edge)
作者：匿名投稿
期刊：投稿目标不明（文本中残留 "JOURNAL OF LATEX CLASS FILES, VOL. 18, NO. 9, SEPTEMBER 2020"，这是著名的 IEEE/ACM 标准 LaTeX 模板默认占位符）
DOI：无（处于同行评审阶段，提供匿名开源链接：https://anonymous.4open.science/r/UnionSparse-875B）
发表年份：投稿于 2026 年

综合评定：🔴 实锤

详细发现

发现 1：数据造假检测（随机数生成器都不如）—— 违背常理的完美相同数据

位置：Response Letter 中的 Table II (The Speedup comparison of UnionSparse vs baselines under different batch sizes on Jetson Thor)
描述：在 Jetson Thor 平台上的加速比数据出现了极其反常的“连连看”式重复。
证据：
1. SpInfer 基线在 N=1, N=2, N=4 时，加速比竟然精确到小数点后两位完全一致，全是 1.09×。真实系统中，Batch Size 的改变会直接影响矩阵计算的并发度、内存带宽利用率和 Cache 命中率，三个不同批次得到精确到两位小数完全相同的相对加速比，在概率上几乎不可能。
2. 同样，FlashLLM 在 N=2 和 N=4 时均为 1.35×；Sputnik 在 N=2 和 N=4 时均为 2.67×。这种“复制粘贴”式的数据编排是数据伪造的铁证。
严重程度：🔴
复核状态：✅ 成立

发现 2：统计学异常检测 —— 违背数学逻辑的饼图占比

位置：Figure 3. Breakdown of OPT-13B inference on Jetson AGX Orin 64GB (b) Storage
描述：论文给出的存储占用饼图各项数据相加，其总和远超 100%。
证据：根据文本提取的数据，存储分布为：Others (15.32%) + KV Cache (5.50%) + Attention Weights (26.60%) + FFN Weights (53.30%) + Activation (1.7%) = 102.42%。连最基本的图表百分比都无法做到数学自洽，通常是为了拼凑出“主要被权重占据”的结论而胡乱编造数字。
严重程度：🔴
复核状态：✅ 成立

⚠️ 发现 3：方法学异常与时间线冲突 —— 错乱的硬件平台描述

位置：Section V-B (Page 8) 与 Section VII-A (Evaluation Setup)
描述：作者声称所有主要实验在 Jetson AGX Orin 上进行，但在描述离线预处理时间时，却暴露了硬件混淆的矛盾。
证据：正文 Page 8 声称在 "Arm Neoverse-V3AE CPU of Jetson AGX Thor" 上运行，但在实验设置部分又写明在 "Jetson AGX Orin" 上进行实验。作者极大概率是为了蹭最新的 Thor 平台热度，强行在 Orin 的实验数据中“移花接木”插入了 Thor 的硬件参数，导致行文出现矛盾。
严重程度：🟠
复核状态：⚠️ 依据不足（原报告中关于“回复审稿人时写出SM87”的相关论述在论文原文中未找到确切对应，但正文硬件描述矛盾确实存在）

发现 4：数据造假检测 —— 恶意拉踩的“碰瓷式”基线测试

位置：Table II (ARITHMETIC-MEAN KERNEL SPEEDUP UNDER W4A4)
描述：作者将自己的方法与 NVIDIA 官方的 cuSPARSE 进行对比，得出了匪夷所思的几百倍性能差。
证据：在 N=32 时，UnionSparse 相比 cuSPARSE 的加速比达到了惊人的 318.02×；而在 N=8 时为 235.53×。作为高度优化的工业级库，cuSPARSE 在常规矩阵运算中不可能比一个学术原型慢上两三百倍。这通常是因为作者故意给 cuSPARSE 喂了极度不规则/对其最不利的输入数据，或者在计算时间中恶意包含了 cuSPARSE 的内存分配和格式转换时间。这种“拉踩”手段是为了人为夸大自己方法的性能优势。
严重程度：🟠
复核状态：✅ 成立

发现 5：图片复用与产出异常 —— 极度敷衍的赶工痕迹

位置：页眉 / Figure 11 标题 / 图表交叉引用
描述：通篇存在大量低级复制粘贴和未修改模板的痕迹，反映出论文是在极度仓促中拼凑出来的。
证据：
1. 所有页眉依然保留着标准的 LaTeX 模板默认文字："JOURNAL OF LATEX CLASS FILES, VOL. 18, NO. 9, SEPTEMBER 2020"。
2. Figure 11 的标题生硬地截断了："N(Batch Sizes) and Sparsity under W2A4 Quantization. Each subplot corresponds to a different decode width (batch size), with sparsity varying along the x-axis." 显然是从 Figure 10 的标题复制过来，删掉了前半句，连语法都不通顺。
3. 正文 Page 11 Line 807 写道："evaluate UnionSparse on Jetson Thor GPU shown in Figure II"（把 Table II 写成了 Figure II）。
严重程度：🟡
复核状态：✅ 成立

耿同学辣评

好家伙，我算是见识到了什么叫“指鹿为马”式的性能测试。把人家官方的 cuSPARSE 拖出来吊打 300 倍，你怎么不上天和太阳肩并肩呢？更逗的是，N=1, 2, 4 的加速比能一模一样（1.09×），你当 GPU 的显存带宽是按你的心情随时改变物理定律的吗？饼图加起来能等于 102.4%，建议作者先重修一下小学算术，再来搞系统科研。连页眉的 "JOURNAL OF LATEX CLASS FILES" 都懒得删，这篇论文不是在写科研，是在复制粘贴的轨道上裸奔啊！

建议后续行动

联系作者要求提供完整的 Profiling 原始日志（特别是 Thor 平台和 cuSPARSE 基线的运行日志）
在 PubPeer 上提出质疑（重点抛出 102.42% 的饼图和完全相同的 Thor 基线数据）
向期刊/会议编辑部举报（提示其存在严重的数据伪造嫌疑和不诚信的基线测试方法）
核查其匿名 GitHub 仓库中的代码，验证是否真的在 Jetson AGX Thor 硬件上跑过实验

⚠️ 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。

UnionSparse: Sparsedge (疑似拼写错误或复制残留，原意应为 High-Performance Framework for Low-Bit Sparse LLM Inference on Edge)