北京
ICLR 2026 （國際學術表征會議）將于明年 4 月在巴西里約熱內盧召開。目前（11 月11 日—12月3 日 ）為論文的作者-評審階段。
最近，這個國際頂級 AI 會議，爆出了個“讓業界都震驚了”的大丑聞。
征集階段，蘋果研究團隊提交了一篇論文，標題為《推理究竟哪里出錯了？》（Where Did the Reasoning Go Wrong?） 。
這篇論文提出名為 PRISM-Bench 的基準測試，稱能專門檢測多模態大模型在推理時的第一處錯誤。
論文被上?！半A躍星辰”研究員 Lei yang看到后，他把階躍星辰模型適配到 Benchmark 上做了實驗。
結果，他發現自家模型跑分，低得離譜。
于是，他開始排查自己的集成方式，但在查閱 Apple 官方代碼時，他看到了一個震碎三觀的低級 Bug。
在調用視覺語言模型進行推理時，本該傳入圖片像素數據，代碼卻錯誤地只傳了圖片的存儲路徑字符串。
也就是說，模型壓根沒看到圖，只是讀到了一行類似“D盤/圖片/01.jpg”的文字。
于是， Lei Yang 順手改了 Bug，還把真正的圖片傳了進去。
結果，分數反而更低了。
這意味著，在蘋果公司提交的這個 Benchmark 里，模型瞎蒙的效果，比實際看圖還要好。
也就是說，其數據集本身存在巨大的邏輯漏洞，或者更可能的是，純粹是為了湊數的擺設。
帶著這個懷疑， Lei Yang 決定放棄代碼，直接人工檢查數據。
他隨機選擇了模型答錯的前20道題，結果，有 6 個題的標準答案本身就是錯的。
真是震碎了三觀！
就此， Lei Yang在 GitHub 上認真提交了一個問題反饋。
沒想到，接下來 Apple 作者團隊的操作，讓人大跌眼鏡。
6 天后，他們敷衍的給出了一個簡短回復，然后，然后，就連夜撤稿，刪庫跑路了！
之后，Lei Yang 提出強烈抗議，他們才又不得不重新恢復。
被蘋果式傲慢激怒的Lei Yang，最后選擇了將這一丑聞公之于眾。
他用“可怕的錯誤”來形容蘋果論文的 bug，公布了 20 道題的測試文件，還表示，這些示例的“真實推理過程”也包含大量幻覺和錯誤。
比如，在論文附錄的 Figure 11 里，題目要求找一條直線和一條曲線，圖里明明是相切，AI 生成的“正確推理”，卻說這一步錯了，理由是“這圖里展示的是相交” 。
更吊詭的是，有網友查詢蘋果論文原文發現，在第 4 頁上煞有介事的寫著，“所有的思維鏈都經過標注員審查，以確?！e誤位置清晰明確”。
簡直是自欺欺人！
還有更恐怖的。在該論文的 Table 2 中，作者列出了一大堆模型在這個 Benchmark 上的跑分。比如，GPT-5 跑了 52.6%，Qwen2.5-VL 跑了 57.0%。
這些精確到小數點后一位的分數，到底是怎么跑出來的？?。?！
除了蘋果公司本身的不靠譜，還可以繼續追問的是，這篇論文有 5 位審稿人，而論文發表的場合 ICLR，更是AI 界的頂級會議。這些評審都在做啥？
我們來看看審稿人們的評價。
這位審稿人評價為Soundness: 4 excellent（可靠性：極佳）的評價。
這位審稿人的評價是Soundness: 3 good（可靠性：3 良好），并稱其“提供了詳細的復現細節”。
這顯然與Lei Yang的復現結果大相徑庭，這位評審真的去認真復現了么？
有網友揭秘稱，蘋果從2023年開始，每年發一篇實際上并不靠譜的論文，詆毀大模型。
比如，2023 年的《ReLU 強勢回歸：利用大語言模型的激活稀疏性》，2024 年的
《GSM?Symbolic：理解大語言模型在數學推理中的局限性》。
開始時，還有很多人叫好，去年開始受到不少質疑，沒想到今年就翻車了，而且還這么徹底。
沒想到高大上的蘋果公司，還有 AI 頂級學術界，也會“草臺班子”如此。
但幸好還有來自中國上海 AI 公司階躍星辰的這位較真的Lei Yang！
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
