英伟达论文被爆代码漏洞，却斩获ICML Spotlight引争议

一篇来自英伟达、基于Cosmos 2.5构建的机器人世界模型论文DreamDojo，近日在Reddit机器学习社区引发激烈讨论。这篇获得ICML Spotlight（亮点论文）荣誉的工作，被研究者指出其预训练、后训练及评估代码中均存在严重漏洞，而论文结果本身也透露出诸多值得警惕的信号。这起事件再度把顶会同行评审的可靠性推上了风口浪尖。

事件始末：从复现到发现漏洞

根据Reddit用户的描述，DreamDojo是英伟达基于其先前被引用约百次的Cosmos 2.5模型构建的机器人世界模型。研究团队号称收集了约4.4万小时的人类数据用于预训练，并使用256块H100 GPU进行训练。作者均是领域内知名且受尊敬的研究者，发表过大量经同行评审的论文。

问题出在复现环节。这位研究者在团队发布的GR1数据上尝试进行后训练，起初能够复现论文结果。但随后一位同事借助Claude的协助，在后训练代码中发现了一个关键bug——这个漏洞本质上让整个后训练流程的逻辑出了问题。顺着这条线索，他们进一步检查了项目的GitHub Issues，又发现另外两个被社区报告的bug，而这些bug直接影响到整个预训练阶段。

换句话说，按照这位研究者的说法，依据英伟达公开发布的代码，预训练、后训练和评估三个环节可能全部存在错误。他特别强调，这些代码写得非常糟糕，看起来并非AI生成，而更像是人工仓促编写的产物。

Cosmos 2.5是英伟达发布的一系列物理世界基础模型（World Foundation Model）的迭代版本，定位于为机器人、自动驾驶等具身智能场景提供高质量的视频生成与环境模拟能力。世界模型（World Model）的核心思路是让AI系统学习物理世界的运行规律，从而能够根据动作预测未来状态，为强化学习和机器人策略训练提供廉价的"虚拟仿真环境"。DreamDojo在Cosmos 2.5之上进行领域特化训练，试图提升其在机器人操作场景下的世界建模精度。这类工作的价值主张在于：通过大规模人类演示数据进行预训练，再用任务相关数据进行后训练（post-training），使模型更好地理解机器人与物体的交互物理规律，进而辅助下游策略学习。

疑点早已埋下：论文结果本身的异常

抛开代码问题不谈，论文结果本身其实早有蹊跷。发帖者指出，论文Table 4展示的性能提升极为边际——相比Cosmos 2.5，PSNR指标仅提升约0.5 dB。

这个数字放在整个投入规模下看，显得格外刺眼。投入4.4万小时的人类数据、数百小时的其他类型数据和机器人数据，再加上256块H100的庞大算力，最终换来的只是微乎其微的提升。发帖者直言："这难道不可疑吗？"

他本人并不介意这项工作缺乏新颖性，也不介意数据未开源——真正令他震惊的是，当发现代码存在根本性错误后，论文中那些"异常微小"的结果反而变得合理了。换言之，代码的bug很可能正是导致模型几乎没有实质提升的根源。而作者和评审在面对如此不成比例的投入产出比时，竟然都没有产生警觉。

PSNR（峰值信噪比，Peak Signal-to-Noise Ratio）是图像与视频质量评估中最常用的客观指标之一，单位为分贝（dB），数值越高代表预测帧与真实帧越接近。在视频预测和世界模型领域，0.5 dB的提升属于极为细微的变化——通常只有在算法取得实质性改进时，才会看到数个dB量级的跨越式提升。值得注意的是，PSNR本身对感知质量的反映并不全面，但在评估世界模型的预测保真度时仍是重要参考指标。将如此微小的指标增益与4.4万小时数据集和256块H100（单卡租用成本约2-3美元/小时，256块连续训练数百小时意味着数十万美元级别的算力投入）相对照，收益与成本的极度失衡，本应触发基本的合理性审查。

两个灵魂拷问：作者与评审的失职？

发帖者抛出的质疑直指学术发表机制的核心：

第一，作者为何没有察觉？ 投入海量资源和数据，却几乎没有换来任何实质性能提升，这本身就是一个强烈的危险信号。一支经验丰富的团队，理应在复盘时对这种投入产出失衡产生怀疑，进而回头审视自己的代码与流程。

第二，评审为何没有发现？ 既然这篇论文获得了ICML Spotlight这一相当高的认可，意味着它经过了多位评审的严格审查。然而无论是异常的实验结果，还是公开代码中早已被社区报告的bug，似乎都没有在评审环节敲响警钟。

这起事件暴露出的，是机器学习顶会评审在面对大厂、知名团队、海量算力加持的"基础模型"类论文时，可能存在的审查盲区。当光环足够耀眼时，评审者是否还会去较真那些"反常识"的细节？

ICML Spotlight是国际机器学习大会中高于普通接收（Accept）但低于杰出论文（Outstanding Paper）的荣誉评级，通常授予前5%左右的录用论文，代表评审委员会认为该工作具有较高原创性和影响力。Spotlight论文往往在会议现场获得口头报告机会，并在学界传播中享有更高的能见度与引用潜力。正因如此，一旦Spotlight论文的研究可靠性受到质疑，其影响远不止于该论文本身——后续基于此成果构建的工作可能面临系统性的可靠性风险，而顶会的荣誉背书机制也会受到整体性的信任损耗。这也解释了为何此次事件在社区引发的反响远超一般的代码bug报告。

这件事折射出的行业隐忧

需要说明的是，上述内容目前主要源自单一爆料者在Reddit上的叙述，相关结论尚待英伟达官方及更多独立复现者的核实。但即便如此，讨论本身触及了几个值得整个AI研究社区深思的问题。

其一是基础模型军备竞赛下的质量焦虑。当"又一个基础模型"成为常态，研究的真正价值是否被海量数据和算力的叙事所掩盖？0.5 dB的提升被包装进一篇Spotlight论文，本身就反映了评价体系对"规模"的过度青睐。

其二是代码可复现性的重要性。正是因为英伟达公开了源代码，社区才有机会发现问题。这也从侧面印证了开源与可复现性对于学术诚信的关键作用——闭源的工作连被质疑的机会都没有。

其三是顶会评审机制的压力测试。随着投稿量激增、模型规模膨胀，评审者越来越难以对每一篇论文进行深度验证，尤其是涉及大规模训练的工作，几乎无法独立复现。这种结构性矛盾，正在侵蚀顶会荣誉的含金量。

无论DreamDojo事件的最终定论如何，它都为学界提供了一记警钟：知名机构、知名作者、顶级会议的三重背书，并不等于结果的正确性。真正的科学审查，终究要回到数据、代码和逻辑本身。