导语：7月5日，阿里巴巴与清华年夜学互助的论文 The Flexibility Trap: Rethinking the Value of Arbitrary Orde

7月5日，阿里巴巴与清华年夜学互助的论文 The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models（矫捷性陷阱：从头审阅扩散语言模子中肆意挨次天生的价值）入选AI顶会ICML卓异论文（Outstanding Paper），卓异论文是ICML最高声誉，代表昔时最具影响力的研究事情，凡是只授予2-3篇，获奖率仅占接管论文的千分之一。

图说：2026年7月5日，ICML 2026 主席团宣布两篇卓异论文名单，阿里巴巴与清华年夜学互助的论文入选。

dLLM（扩散年夜语言模子）是当前最受存眷的下一代语言模子架构之一，Google的Gemini Diffusion、中国人平易近年夜学的 LLaDA 等都属在这一标的目的。主流年夜语言模子（LLM）如 GPT、Qwen 等天生文本就像打字，从左往右逐个天生 token，与 LLM 差别，dLLM 于天生文本时可以肆意选择天生挨次，无需从左往右，理论上拥有更年夜的天生解空间，于近一两年被寄与厚望。但这篇论文初次提出质疑：于解决数学、编程等通用推理使命时，肆意挨次天生非但不克不及晋升模子能力，反而会成为陷阱。

研究发明，不确定性高的要害逻辑节点（如“是以”“以是”），像是一个分叉口。若采用从左向右的挨次，模子必需于此处就地作出选择，天生下一个 token，不克不及跳过。若采用肆意选择天生挨次，模子会偏向在绕过这些难点，优先处置惩罚轻易的部门。等转头再填充这些节点时，先后文已经经确立，原有的推理分叉口酿成了填空题——谜底被上下文锁定了。

图说：从左向右的自回归挨次（a）迫使模子于每一个逻辑分叉口做出选择；肆意挨次（b）绕过难点，优先处置惩罚轻易部门，致使推理路径被提早锁死。（图片翻译自论文）

选择权被暗暗消解，研究者将这一征象定名为“熵退化”。实证数据证明了这一征象：于 HumanEval 代码天生使命上，从左往右挨次能解出、而肆意挨次解不出的标题问题占 21.3%，反向仅 0.6%。且挨次的自由度越年夜，推理机能越差。

基在这一发明，团队提出的解决方案是“JustGRPO”——意为于强化进修练习阶段抛却肆意挨次，强迫模子从左到右天生，利用GRPO就能够了。GRPO是一种主流算法，让模子对于统一道题天生多组谜底、经由过程组内好坏对于比来优化计谋。

此前，为 dLLM 设计强化进修算法面对一系列工程难题，好比天生挨次不固定致使没法正确归因每一个词的孝敬，各团队不能不引入各类繁杂手腕。“JustGRPO”则是一种年夜道至简的要领，近似在当所有人于给左手练气力，有人说：为何不直接用右手？

“JustGRPO”练习完成后，模子推理速率不受影响，推理效果年夜幅提高。于 GSM8K（业界权衡年夜模子推理能力的尺度测试集，包罗约 8500 道多步推理小学数学运用题）上到达 89.1% 正确率，周全逾越 d一、ESPO、SPG、GDPO 等所有为扩散模子专门设计的繁杂强化进修算法。

（附：论文下载地址 https://arxiv.org/abs/2601.15165）