人工智能領域頂級會議NeurIPS 2025最佳論文獎近日公佈，共四篇論文獲獎，其中多篇由華人學者主導。獲獎工作涵蓋語言模型多樣性、大模型注意力機制、深度強化學習及擴散模型理論。
其中包括 Liwei Jiang 等提出的《Artificial Hivemind》，揭示大模型生成中的“人工蜂羣效應”；Zihan Qiu 等來自阿里巴巴Qwen團隊的《Gated Attention for Large Language Models》，提出有效緩解“注意力沉降”問題的新機制；Princeton University 的 Kevin Wang 等通過千層網絡實現自監督強化學習突破；以及 PSL University 的 Tony Bonnaire 等對擴散模型泛化機理的理論分析。
此外，He Kaiming、Sun Jian 等的《Faster R-CNN》榮獲“時間檢驗獎”。
以下是獲獎論文的簡要介紹：
最佳論文
-
Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)
- 作者：Liwei Jiang, Yuanjun Chai等
- 機構：艾倫人工智能研究所、斯坦福大學
- 內容：提出大規模數據集Infinity-Chat，揭示大語言模型在開放式生成中存在“人工蜂羣思維”效應，即模型內重複和模型間同質化問題，為評估模型多樣性提供了新基準。
- 鏈接：https://openreview.net/pdf?id=saDOrrnNTz
-
Gated Attention for Large Language Models: Non-Linearity, Sparsity, and Attention-Sink-Free
- 作者：Zihan Qiu, Zekun Wang等
- 機構：阿里通義千問團隊、愛丁堡大學等
- 內容：系統分析注意力門控機制對大語言模型的影響，發現其能提升模型性能、訓練穩定性及長上下文泛化能力，相關成果已應用於Qwen3-Next模型。
- 鏈接：https://openreview.net/pdf?id=1b7whO4SfY
-
1000 Layer Networks for Self-Supervised RL: Scaling Depth Can Enable New Goal-Reaching Capabilities
- 作者：Kevin Wang, Ishaan Javali等
- 機構：普林斯頓大學、華沙理工大學
- 內容：證明將網絡深度擴展至1024層可顯著提升自監督強化學習性能，突破傳統淺層網絡限制，為構建更強大的AI系統開闢新途徑。
- 鏈接：https://openreview.net/pdf?id=s0JVsx3bx1
-
Why Diffusion Models Don’t Memorize: The Role of Implicit Dynamical Regularization in Training
- 作者：Tony Bonnaire, Raphaël Urfink等
- 機構：巴黎文理研究大學、博科尼大學
- 內容：揭示擴散模型訓練中的隱式動態正則化機制，解釋其為何能在高度過參數化下避免記憶化，為理解生成式AI的泛化能力提供理論基礎。
- 鏈接：https://openreview.net/pdf?id=BSZqpqgqM0
最佳論文亞軍
-
Does Reinforcement Learning Really Incentivize Reasoning Capacity in LLMs Beyond the Base Model?
- 作者：Yang Yue, Zhiqi Chen等
- 機構：清華大學、上海交通大學
- 內容：挑戰強化學習激發大語言模型推理能力的假設，指出帶可驗證獎勵的強化學習（RLVR）未必能提升模型推理能力，為新型強化學習範式的研究提供方向。
- 鏈接：https://openreview.net/pdf?id=4OsgYD7em5
-
Optimal Mistake Bounds for Transductive Online Learning
- 作者：Zachary Chase, Steve Hanneke等
- 機構：肯特州立大學、普渡大學等
- 內容：解決學習理論領域長達30年的公開難題，精確刻畫傳導式在線學習的最優錯誤上界，確立其與標準在線學習的二次量級差距。
- 鏈接：https://openreview.net/pdf?id=EoebmBe9fG
-
Superposition Yields Robust Neural Scaling
- 作者：Yizhou Liu, Ziming Liu等
- 機構：麻省理工學院
- 內容：論證表徵疊加是神經網絡縮放定律的主要機制，為理解模型規模與性能的關係提供新視角。
- 鏈接：https://openreview.net/pdf?id=knPz7gtjPW
此外，任少卿、何愷明等2015年合著的《Faster R-CNN》獲得時間檢驗獎，該論文奠定了現代目標檢測框架的核心範式。
