🔍 耿同学打假报告

论文信息

• 标题：Attention Is All You Need
• 作者：Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, Illia Polosukhin
• 期刊：31st Conference on Neural Information Processing Systems (NIPS 2017)
• DOI：未在文本中提供
• 发表年份：2017
• 论文来源：1706.03762v7.pdf

综合评定：✅ 清白

详细发现

⚠️ 发现 1：论文类型与图像取证适用范围不匹配

• 位置：全文
• 描述：本论文为机器学习/自然语言处理领域的理论性论文，不包含任何生物医学实验图片（无 Western blot、显微镜照片、流式细胞图、统计散点图或柱状图）。论文中的 Figure 1（Transformer 模型架构示意图）和 Figure 2（Scaled Dot-Product Attention / Multi-Head Attention 示意图）为手绘风格的架构图；Figure 3–5 为注意力可视化图。所有"表格"均为文本数字表格（Table 1–4）。机器取证报告中检测到的 copy-move 和 PRNU 同源信号，均来源于论文中规则排版的文本页面（如多面板的注意力可视化 Figure 3–5 中的重复文本行），提示存在排版重复的可能，亦可能由同一 PDF 渲染管线所致，需原始数据进一步确认。
• 证据：论文全部 12 页内容由文字、数学公式、模型架构示意图和数字表格组成。Figure 3 的 caption 描述其为"encoder self-attention in layer 5 of 6"的注意力可视化，Figure 4/5 同理，均为重复排版文本 token。
• 严重程度：🟡（说明性，不构成造假证据）
• 复核状态：⚠️ 存在良性解释（同一论文内排版重复文本行/PDF 渲染管线同源）

发现 2：Benford 检验偏离不适用于本论文数据

• 位置：Table 1–4
• 描述：机器取证报告提示 Table 1–4 的数值在第 1–4 位数字上显著偏离 Benford 分布。
• 证据：Table 1 为算法复杂度的大 O 表示法（如 O(n²·d)），原文明确为大 O 记号而非连续测量值；Table 2 中的 BLEU 分数和 FLOPs 为研究者刻意选择的报告值；Table 3 中的超参数（dmodel=512、dff=2048、h=8、dk=dv=64、Pdrop=0.1、ϵls=0.1、100K 步等）均为整数设计参数。这些数据并非自然产生的跨数量级连续型测量数据，不满足 Benford 检验的前提条件。检验前提不满足，偏离不构成造假证据。
• 严重程度：🟡（说明性）
• 复核状态：✅ 成立（前提不成立，结论作为良性解释保留说明）

⚠️ 发现 3：列间差值变化小属于正常的表格结构

• 位置：Table 2、Table 3
• 描述：机器取证报告提示 Table 2 和 Table 3 的列间差值变化较小。
• 证据：Table 2 比较的是不同模型的 BLEU 分数（如 23.75、24.6、25.16、26.03、26.30、26.36、27.3、28.4）和训练 FLOPs，差值反映模型架构差异而非随机噪声；Table 3 的消融实验中部分行仅改变一个变量（如仅改变 h 而保持 dmodel=512 不变），其余列保持不变，差值小是消融实验设计的自然结果。原文 Section 6.2 明确说明该实验目的是"vary the base model in different ways"。
• 严重程度：🟡（说明性）
• 复核状态：⚠️ 存在良性解释（消融实验设计本身即要求部分列保持不变）

⚠️ 发现 4：图像取证信号（copy-move / PRNU 同源）的良性解释

• 位置：img-000 至 img-005（即论文页面图）
• 描述：机器取证报告在多张图像中检测到 copy-move 匹配块和 PRNU 高度同源信号。
• 证据：原文无任何涉及图像传感器、拍摄批次或设备来源的声明。Figure 3 caption 为"An example of the attention mechanism following long-distance dependencies in the encoder self-attention in layer 5 of 6"，Figure 4/5 同为"layer 5 of 6"的注意力可视化，多面板（top/bottom）由同一可视化算法生成，重复 token 行排列是注意力可视化本身的结构特征。copy-move 检测的偏移量与排版行高/列间距吻合。所有 12 页内容由同一 PDF 编译管线生成，PRNU 同源是同一导出管线的天然结果。所提良性解释（统一导出管线、排版重复）在原文中无正面方法学声明支持（论文方法部分未涉及图像采集），仅为通用推测；但原报告关于"具体偏移像素坐标"等数据点未被原文证实。
• 严重程度：🟡（说明性）
• 复核状态：⚠️ 存在良性解释（原文无图像设备声明，copy-move/PRNU 同源信号与论文类型不匹配）

发现 5：统计方法与报告一致性核查

• 位置：Table 2、Table 3、Table 4
• 描述：逐一核查论文中报告的所有数值，均与正文描述一致，无内部矛盾。
• 证据：Table 2 中 Transformer (base) 报告 27.3 BLEU（EN-DE）、38.1 BLEU（EN-FR），Transformer (big) 报告 28.4 和 41.8，与摘要中"Our model achieves 28.4 BLEU on the WMT 2014 English-to-German"和"new single-model state-of-the-art BLEU score of 41.8"完全吻合。Table 3 中 base 模型报告 25.8 BLEU（dev），big 模型报告 26.4 BLEU（dev），均与 Section 6.1 描述一致。Table 4 中 Transformer (4 layers) 在 WSJ only 下报告 91.3 F1，semi-supervised 下报告 92.7 F1，与 Section 6.3 描述一致。
• 严重程度：🟡（无异常，良性指标）
• 复核状态：✅ 成立（数据自洽，良性指标）

发现 6：时间线与硬件合理性

• 位置：Section 5.2
• 描述：论文报告使用 8 块 NVIDIA P100 GPU 训练，base 模型训练 100,000 步、每步约 0.4 秒（12 小时），big 模型训练 300,000 步、每步 1.0 秒（3.5 天）。
• 证据：原文 Section 5.2 明确"We trained our models on one machine with 8 NVIDIA P100 GPUs. For our base models…each training step took about 0.4 seconds. We trained the base models for a total of 100,000 steps or 12 hours. For our big models…step time was 1.0 seconds. The big models were trained for 300,000 steps (3.5 days)." P100 GPU 于 2016 年发布，论文发表于 2017 年 NIPS，时间线合理。base 模型参数量 65M，big 模型参数量 213M（约 3.3 倍），训练时间 12h → 84h（约 7 倍），逻辑自洽。
• 严重程度：🟡（无异常，良性指标）
• 复核状态：✅ 成立（数据自洽，良性指标）

发现 7：方法描述与引用一致性

• 位置：全文方法部分与参考文献
• 描述：论文中引用的方法（如 Adam optimizer、Layer Normalization、Label Smoothing、Residual Dropout、Byte-Pair Encoding 等）均有据可查，参考文献列表完整。
• 证据：参考文献 [20] Kingma and Ba (ICLR 2015) Adam、[1] Ba et al. (2016) Layer Normalization、[36] Szegedy et al. (2015) Label Smoothing、[11] He et al. (2016) Residual connections、[33] Srivastava et al. (2014) Dropout 等均为深度学习领域经典文献，真实存在。原文 Section 5.3 明确"β1=0.9, β2=0.98, ϵ=10⁻⁹"，与 Adam 原始论文一致；Section 5.4 明确"Pdrop=0.1"和"ϵls=0.1"，与各自引用文献一致。
• 严重程度：🟡（无异常，良性指标）
• 复核状态：✅ 成立（数据自洽，良性指标）

耿同学辣评

这篇论文要是造假，那整个 NLP 领域都得集体重修——因为全世界的 ChatGPT、GPT-4、Claude、BERT 全部都站在它的肩膀上。机器取证的报警信号？别慌，Benford 检验拿算法复杂度的大 O 表示法和超参数设计值去检验，本身就是"关公战秦琼"；copy-move 命中的全是 Figure 3–5 注意力可视化里规则排列的 token 文本行，PRNU 同源则因为 12 页 PDF 本来就是同一渲染管线出的。一句话：这是真·改变世界的论文，不是真·造假论文。

建议后续行动

• 无需行动——本论文为里程碑式公开论文，所有结果已被全球研究社区大规模复现和验证
• 无需在 PubPeer 提出质疑
• 无需向期刊编辑部举报
• 无需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。