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(yè)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(tài)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(fā)現(xiàn)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(shù)據(jù)，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(shù)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(shù)據(jù)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(shù)的擺設。

帶著這個懷疑， Lei Yang 決定放棄代碼，直接人工檢查數(shù)據(jù)。

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(wǎng)友查詢蘋果論文原文發(fā)現(xiàn)，在第 4 頁上煞有介事的寫著，“所有的思維鏈都經(jīng)過標注員審查，以確保……錯誤位置清晰明確”。

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(shù)點后一位的分數(shù)，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(xù)追問的是，這篇論文有 5 位審稿人，而論文發(fā)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(xiàn)細節(jié)”。

這顯然與Lei Yang的復現(xiàn)結果大相徑庭，這位評審真的去認真復現(xiàn)了么？

有網(wǎng)友揭秘稱，蘋果從2023年開始，每年發(fā)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(shù)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！