大道至简：阿里与清华论文揭示扩散大模型推理能力的灵活性陷阱，入选 ICML 杰出论文

7月5日，阿里巴巴与清华大学合作的论文 The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models（灵活性陷阱：重新审视扩散语言模型中任意顺序生成的价值）入选AI顶会ICML杰出论文（Outstanding Paper），杰出论文是ICML最高荣誉，代表当年最具影响力的研究工作，通常只授予2-3篇，获奖率仅占接受论文的千分之一。

图说：2026年7月5日，ICML 2026 主席团公布两篇杰出论文名单，阿里巴巴与清华大学合作的论文入选。

dLLM（扩散大语言模型）是当前最受关注的下一代语言模型架构之一，Google的Gemini Diffusion、中国人民大学的 LLaDA 等都属于这一方向。主流大语言模型（LLM）如 GPT、Qwen 等生成文本就像打字，从左往右逐个生成 token，与 LLM 不同，dLLM 在生成文本时可以任意选择生成顺序，无需从左往右，理论上拥有更大的生成解空间，在近一两年被寄予厚望。但这篇论文首次提出质疑：在解决数学、编程等通用推理任务时，任意顺序生成非但不能提升模型能力，反而会成为陷阱。

研究发现，不确定性高的关键逻辑节点（如“因此”“所以”），像是一个分叉口。若采用从左向右的顺序，模型必须在此处当场作出选择，生成下一个 token，不能跳过。若采用任意选择生成顺序，模型会倾向于绕过这些难点，优先处理容易的部分。等回头再填充这些节点时，前后文已经确立，原本的推理分叉口变成了填空题——答案被上下文锁定了。

图说：从左向右的自回归顺序（a）迫使模型在每个逻辑分叉口做出选择；任意顺序（b）绕过难点，优先处理容易部分，导致推理路径被提前锁死。（图片翻译自论文）

选择权被悄悄消解，研究者将这一现象命名为“熵退化”。实证数据证实了这一现象：在 HumanEval 代码生成任务上，从左往右顺序能解出、而任意顺序解不出的题目占 21.3%，反向仅 0.6%。且顺序的自由度越大，推理性能越差。

基于这一发现，团队提出的解决方案是“JustGRPO”——意为在强化学习训练阶段放弃任意顺序，强制模型从左到右生成，使用GRPO就可以了。GRPO是一种主流算法，让模型对同一道题生成多组答案、通过组内优劣对比来优化策略。

此前，为 dLLM 设计强化学习算法面临一系列工程难题，比如生成顺序不固定导致无法准确归因每个词的贡献，各团队不得不引入各种复杂手段。“JustGRPO”则是一种大道至简的方法，类似于当所有人在给左手练力量，有人说：为什么不直接用右手？

“JustGRPO”训练完成后，模型推理速度不受影响，推理效果大幅提高。在 GSM8K（业界衡量大模型推理能力的标准测试集，包含约 8500 道多步推理小学数学应用题）上达到 89.1% 准确率，全面超越 d1、ESPO、SPG、GDPO 等所有为扩散模型专门设计的复杂强化学习算法。

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

7月5日，阿里巴巴与清华大学合作的论文 The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models（灵活性陷阱：重新审视扩散语言模型中任意顺序生成的价值）入选AI顶会ICML杰出论文（Outstanding Paper），杰出论文是ICML最高荣誉，代表当年最具影响力的研究工作，通常只授予2-3篇，获奖率仅占接受论文的千分之一。

图说：2026年7月5日，ICML 2026 主席团公布两篇杰出论文名单，阿里巴巴与清华大学合作的论文入选。

dLLM（扩散大语言模型）是当前最受关注的下一代语言模型架构之一，Google的Gemini Diffusion、中国人民大学的 LLaDA 等都属于这一方向。主流大语言模型（LLM）如 GPT、Qwen 等生成文本就像打字，从左往右逐个生成 token，与 LLM 不同，dLLM 在生成文本时可以任意选择生成顺序，无需从左往右，理论上拥有更大的生成解空间，在近一两年被寄予厚望。但这篇论文首次提出质疑：在解决数学、编程等通用推理任务时，任意顺序生成非但不能提升模型能力，反而会成为陷阱。

研究发现，不确定性高的关键逻辑节点（如“因此”“所以”），像是一个分叉口。若采用从左向右的顺序，模型必须在此处当场作出选择，生成下一个 token，不能跳过。若采用任意选择生成顺序，模型会倾向于绕过这些难点，优先处理容易的部分。等回头再填充这些节点时，前后文已经确立，原本的推理分叉口变成了填空题——答案被上下文锁定了。

图说：从左向右的自回归顺序（a）迫使模型在每个逻辑分叉口做出选择；任意顺序（b）绕过难点，优先处理容易部分，导致推理路径被提前锁死。（图片翻译自论文）

选择权被悄悄消解，研究者将这一现象命名为“熵退化”。实证数据证实了这一现象：在 HumanEval 代码生成任务上，从左往右顺序能解出、而任意顺序解不出的题目占 21.3%，反向仅 0.6%。且顺序的自由度越大，推理性能越差。

基于这一发现，团队提出的解决方案是“JustGRPO”——意为在强化学习训练阶段放弃任意顺序，强制模型从左到右生成，使用GRPO就可以了。GRPO是一种主流算法，让模型对同一道题生成多组答案、通过组内优劣对比来优化策略。

此前，为 dLLM 设计强化学习算法面临一系列工程难题，比如生成顺序不固定导致无法准确归因每个词的贡献，各团队不得不引入各种复杂手段。“JustGRPO”则是一种大道至简的方法，类似于当所有人在给左手练力量，有人说：为什么不直接用右手？

“JustGRPO”训练完成后，模型推理速度不受影响，推理效果大幅提高。在 GSM8K（业界衡量大模型推理能力的标准测试集，包含约 8500 道多步推理小学数学应用题）上达到 89.1% 准确率，全面超越 d1、ESPO、SPG、GDPO 等所有为扩散模型专门设计的复杂强化学习算法。

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