🔍 耿同学打假报告

论文信息

• 标题：LLM2CLIP: Powerful Language Model Unlocks Richer Cross-Modality Representation
• 作者：Weiquan Huang, Aoqi Wu, Yifan Yang, Xufang Luo, Yuqing Yang, Usman Naseem, Chunyu Wang, Qi Dai, Xiyang Dai, Dongdong Chen, Chong Luo, Lili Qiu, Liang Hu
• 期刊：The Fortieth AAAI Conference on Artificial Intelligence (AAAI-26)
• DOI：文本中未提供
• 发表年份：2026 (Copyright 标注为 2026)
• 论文来源：17251-AAAI26.HuangW-CV.pdf

综合评定：✅ 清白

详细发现

发现 1：图表与原始像素分析受限

• 位置：Figure 1, Figure 2
• 描述：基于提供的文本流，无法进行 Western Blot 或显微镜图等传统生物医学图像的拼接、复用与 PS 痕迹检测。
• 证据：本论文为计算机视觉/自然语言处理领域的深度学习模型架构与算法论文，文中包含的均为网络架构图和自然语言检索案例图。由于仅提供文本和基础 OCR 结果，未能提供原始图像文件，无法进行像素级伪劣分析。
• 严重程度：🟡 (说明：指无法检测而非发现问题，符合 AI 领域论文特性)
• 复核状态：✅ 成立

发现 2：实验数据与消融实验的逻辑一致性

• 位置：Table 1, Table 3, Table 5, Table 6, Table 7, Table 8, Table 9
• 描述：作者在报告中展示了多维度的实验数据，不同维度的消融实验之间数学逻辑高度自洽。
• 证据：
  1. 真实的数据波动：在 Table 3 (ImageNet 零样本分类) 中，作者坦诚地报告了使用 LLM2CLIP 方法后零样本性能出现轻微下降（如 74.9 降至 74.6，76.6 降至 75.8）。真正的学术造假往往会编造全方位的提升，这种“有一说一”的 trade-off 现象是真实科研中常见的特征。
  2. 合理的基线差异：在 Table 5 中，作者不仅对比了原始论文的 Llava 分数，还复现了基线，且复现结果在各细分子任务上与原论文有极其轻微的差异（如 VQA 任务原论文为 78.5，复现为 79.04），末位数字分布自然，没有“随机数生成器”生成的完美规律。
• 严重程度：✅ (未见异常)
• 复核状态：✅ 成立

发现 3：时间线与前沿引用的合理性

• 位置：全文及参考文献
• 描述：文中涉及的时间线、模型迭代与学术界的实际发展进度完全吻合。
• 证据：文中大量引用了 2024 年和 2025 年的前沿模型（例如 2024 年的 LLaVA-1.5、ShareGPT4V，2025 年初的 SigLIP-2、MM-E5 等）。文章发表/受版权保护时间为 2026 年的 AAAI 会议，这与 AI 领域半年到一年的审稿和 arXiv 预印本周期完全符合。此外，文章方法部分提到的 LLaMA 3.1、DreamLIP 数据集等均真实存在且在当前时间点广泛应用。
• 严重程度：✅ (未见异常)
• 复核状态：✅ 成立

耿同学辣评

这是一篇非常“本分”且扎实的计算机顶会论文。没有花里胡哨的 PS 痕迹，也没有“数学上完美无缺”的可疑表格。作者甚至老实巴交地在 Table 3 里承认了自己的方法在某些分类任务上性能掉了一点点——就冲这份敢说“我的方法不是万能的”的真诚，耿同学给你点个赞！造假的人恨不得把折线图画到天上去，这种有一说一的数据，看着才让人踏实。

建议后续行动

• 无需联系作者要求提供原始数据（文本数据逻辑已自洽）。
• 无需在 PubPeer 上提出质疑。
• 无需向期刊编辑部举报。
• 建议后续研究者可以直接基于该论文的开源精神（如有）进行模型复现。

⚠️ 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。