我们必须公开澄清谷歌 ICLR 2026 论文《TurboQuant》中存在的严重问题。

TurboQuant 在三个方面对 RaBitQ 进行了不实表述：
1. 回避承认关键方法上的相似性（JL 变换）
2. 在缺乏证据的情况下，将我们的理论称为“次优”
3. 在实验设置不公的情况下报告结果

我们早在论文提交前就已向作者提出过相关疑虑，但对方并未在投稿时予以修正。该论文最终被 ICLR 2026 收录，并获谷歌大力推广（浏览量达数千万次）。在这种量级的传播下，未经纠正的论断极易演变为“公认结论”。

事实如下：
1. RaBitQ 已证明其渐近最优性（基于 FOCS’17 的边界结果）
2. TurboQuant 采用了相同的随机旋转步骤，却未阐明其与相关方法的联系
他们的实验中，RaBitQ 在单核 CPU 上运行，而 TurboQuant 则在 A100 GPU 上运行。

这些内容均未得到适当披露。

我们已提交正式投诉，并在 OpenReview 平台上发布了相关内容。
openreview.net/forum?id=tO3ASKZlok

英伟达近期在OFC上披露的Scale-across层面以及下一代架构中的Dragonfly网络架构，具体有哪些变化?

英伟达近期投资了20亿美元，其中一部分要求在美国本土生产CPO芯片以配合其CPO交换机。同时，英伟达已开始采用OCS交换机进行新架构的内部验证。预计F这一代，将通过名为Dragonfly的蜻蜓网络架构结合OCS来实现更高的数据交换效率，以替代当前的胖树 （Fat-tree）层级网络架构。

当前胖树架构的特点是带宽无收敛，在一个集群内通过多层交换机互联，每张卡之间的带宽是对等的。然而，未来的AI网络中，物理距离上相邻的GPU之间存在更大的数据流量和更高的关联性，即数据的“局域性”。针对这种区域内的差异化，Dragonfly架构应运而生。它在特定区域内部署高带宽的交换机以实现高效交换，而在不同区域之间则通过OCS进行动态调度。这种分层设计类似于华为提出的 UB-Mesh方案，也是基于GPU数据的局域性进行区域化组网。

目前，由于集群规模尚不够大，胖树架构凭借其强扩展性和通用性仍能满足需求。但随着未来集群规模和算力的持续扩张，胖树架构的互联效率和性价比将下降，设备复杂度和层级也会增加，因此网络拓扑架构的变革势在必行。根据与英伟达的交流，预计到2028年，至少部分场景下的下一代集群将采用这种新架构。

Claude 高峰限额调整

Anthropic 已调整 Claude 免费版、Pro 和 Max 订阅在工作日（工作日，太平洋时间上午 5 点至 11 点/格林威治标准时间下午 1 点至 7 点）高峰时段的 5 小时会话限额。按照最新说明，用户在这一时段内会比此前更快耗尽会话额度，但各档位的周度总限额并未下调。

Anthropic 表示，平台已经通过一系列效率优化抵消了大部分压力，但仍预计约 7% 的用户会比过去更早触发会话上限，其中 Pro 档用户感受到的影响会更明显。对于持续运行高 token 背景任务的用户，官方建议尽量转到非高峰时段执行，以延长单个 5 小时会话额度的可用空间。

X

周四仅有两艘与伊朗有关的液化石油气运输船被发现驶离波斯湾，这很可能是他所说的"额外两艘"。

虽然有些船只为了安全关闭追踪信号，但最近获准通过霍尔木兹海峡的船只大多会广播自己的位置信息。

最近几天，有四艘船只——两艘散货船、一艘集装箱船和一艘液化石油气运输船——被确认已驶离该海峡。