北京
近日，人工智能领域的顶级会议——国际机器学习大会（ICML） 公布了2026年度的各项大奖。
ICML与NeurIPS、ICLR并称为AI领域的三大顶会。其“杰出论文奖”含金量极高，被誉为机器学习领域的“奥斯卡”。本届大会共收到超过一万篇投稿，最终录用率不足三成，能够从中脱颖而出的获奖论文，无疑是经过了最严苛的学术检验。
在激烈的竞争中，清华大学自动化系长聘副教授、智能产业研究院（AIR）研究员黄高所带领的团队，凭借其突破性研究荣获了ICML 2026杰出论文奖。
获奖论文：揭示“灵活性陷阱”
黄高团队的获奖论文题为 《灵活性陷阱：重新思考扩散语言模型中任意顺序的价值》（The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models） 。
这篇论文聚焦于当下热门的扩散大语言模型（dLLM） 。与GPT等传统模型从左到右逐字生成的方式不同，dLLM理论上可以以任意顺序生成文本，这曾被看作是其相较于传统模型的巨大优势。
然而，黄高团队的研究揭示了一个反直觉的现象：这种“任意顺序”的灵活性在实际训练中非但没有带来预期的收益，反而成为了一个 “陷阱” 。研究发现，模型会利用这种顺序自由，刻意绕开那些对探索至关重要但充满不确定性的内容，导致其推理空间过早坍缩。这一发现直接动摇了扩散语言模型最核心的卖点，为整个领域的研究方向提供了重要的纠偏。
其他获奖亮点
杰出论文奖：另一篇获奖论文是来自MIT、耶鲁等机构的《扩散模型和对数凹分布的高精度采样》，在算法精度上实现了重大突破。
时间检验奖：颁给了谷歌DeepMind的经典之作《深度强化学习的异步方法》。
杰出立场论文奖：授予了慕尼黑大学等机构的《立场：对齐社区正在无意中构建审查工具包》。
黄高团队的这项研究揭示了一个被长期忽视的事实：在当前的训练范式下，dLLM的“任意顺序”本身就是一把双刃剑。用更少的步数、更简单的采样策略，或许才是真正通向更高效率的路径。
文章来源：水木TsinghuaCent。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
