实给人感觉很奇怪……很多东西像是为了做而做，要不是之前读过简绯的paper，知道很多设计对盲人意义重大，我肯定会觉得作者脑回路清奇，做了那么多吃力不讨好的复杂设计……”
    纷纷议论传进孙恒彬耳中，让他几乎喘不上气。
    拉尔见势不妙，上前一步：“恒彬的初稿确实存在很多问题，对于动机描述不够全面，但你说的问题，我们在workshop那一版都进行了改进。”
    拉尔的话术很巧妙。简绯的本意是说，孙恒彬连算法某些设计的动机都不清楚，抄袭嫌疑很大。但他却轻描淡写把这件事定性为“孙恒彬写paper时描述不够全面”。
    但简绯早就准备好了对付他的招式：“说起这个，其实我还有个地方很不解。我刚才对比了孙恒彬的ArXiv初版和你们的workshop版本，发现这两篇虽然遣词用句和结构乍一看完全不同，但有效内容重合率高达80%，核心算法完全没有变化，这样的情况，为什么一作换了人？”
    这件事拉尔早就想好了说辞，刚好简绯提到ArXiv版本存在的问题，他便顺着说下去：“因为这个idea是孙恒彬的，但是具体到实现上，我的贡献比较多。当时我把做出的结果给了恒彬，没时间写paper，才让他先写了一版上传ArXiv。不过恒彬对模型了解不够，所以那一版才会写得有点牵强。”
    “所以所有的实验都是你做的？”
    拉尔目光沉沉望着她。实验都是孙恒彬做的，他唯一做的事就是每周听孙恒彬汇报，转头再汇报给克里兹曼。但是如果他这么承认了，他的一作就未免有些说不过去。于是拉尔回答：“只有一部分是我做的。”
    “具体是哪一部分？”
    拉尔继续打太极：“每个实验我都有参与，代码是我和恒彬一起写的，不太容易区分开谁做了哪部分。”
    不少人听了这话，皱起眉。写代码，两个人一起？一般就算不明确分工谁写那些功能，也要分个主次，一个人先写好另一个人检查测试吧？一起写这操作也太让人迷惑了吧？
    简绯无所谓地耸了耸肩：“好吧。我对你们论文中的几个细节有点疑问，你们两个中一定有一个人能帮我解答吧？”
    “是。”
    拉尔看似处变不惊，拳头却悄悄捏紧。
    孙恒彬已经紧张得后背都湿了，尽管会场开着超级充足的冷气。
    简绯鼠标滚动，拉到拉尔paper的最后一页：“你们最后的实验结果部分，第三个数据集，成功率达到了99.97%，使用的就是在paper中提出的算法，是吗？”
    “没错。”
    “可是，我的实验结果证明，你们的算法是跑不出那个结果的。我还知道，想要跑出这个结果，你们的算法还需要一个很关键的修改。”
    “——不可能！每一个结果都是我亲自跑出来的！”孙恒彬下意识反驳。
    他怀疑简绯是在诈他们，他现在已经完全不敢小瞧这个女孩。她对朋友那么善良单纯甚至轻信，但是她面对敌人时思维周密算无遗策，如同暴风雨般毫不留情，他一万个后悔成为了她的敌人。
    他敢确定她发给他的实验结果都是正确的，因为他拿到她的代码后重复了所有的实验。
    女生沉着有力的声音冷酷地打碎了他的信念。
    “我相信，你们的代码的确能得出这个结果，那是因为你们的代码和paper中描述的算法不一样！”
    孙恒彬张了张口，挤出一句：“不可能……”
    “你们的代码，预处理里第265行，在整个数据集上做了normalization，和paper中描述不符。我相信这是个bug，因为这是个非常不规范的操作，属于训练时泄露测试集信息，你们的成功率也是因此才这么高的。”
    在场的人都拿出他们的笔记本电脑，不管是不是相关领域，为了吃瓜都下载了孙恒彬的代码，果然找到了简绯所说的那一处，有点基础的人一眼就能看出写得不对。
    孙恒彬像被扼住呼吸，定在原地，一句话都说不出来。
    然而简绯还在继续：“真正能达到将近99.97%准确率的是在神经网络中加一个batchnormalization。除此之外，还有ArXivpaper中提到的，预处理对比度能大幅度提升准确率，这样的结论应该是建立在我说的batchnormalization基础上，你写的那个bug是得不到这个结论的。我看到后面的workshoppaper中你们把这句话删掉了，但我还是很疑惑——最初你为什么会那么巧，用错误的摸del，得到一个正确的结论？”
    “还有，你们paper第五页第三段的结论，应该是对应了深度学习函数的614行，但是……”
    简绯语速极快，手指飞速在paper与代码间切换，迅速跳到所描述的位置，像个冰冷严谨没有感情的挑bug机器，一条条证据罗列，把哑口无言三人