7月5日，阿里巴巴与清华大学合作的一篇论文——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）——一举拿下AI顶会ICML的杰出论文奖（Outstanding Paper）。这个奖项是ICML的最高荣誉，通常每年只授予2到3篇，获奖率只有千分之一左右，含金量不言而喻。

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。

先抛出几个关键判断：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都属于这一方向。主流大语言模型（如GPT、Qwen）生成文本就像打字，从左往右逐个token生成。而dLLM则不同——它在生成文本时可以任意选择顺序，无需从左往右，理论上拥有更大的生成解空间。近一两年，这个方向被寄予厚望。但这篇论文首次提出了一个反直觉的观点：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，反而可能成为陷阱。

有意思的地方来了。研究发现，不确定性高的关键逻辑节点（比如“因此”“所以”这类词），就像推理路径上的分叉口。如果采用从左向右的顺序，模型必须在这里当场作出选择，生成下一个token，不能跳过。但如果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，答案被上下文锁死了。

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）

这种选择权被悄悄消解的现象，研究者给它起了个名字：熵退化。实证数据也印证了这一判断——在HumanEval代码生成任务上，从左往右顺序能解出、但任意顺序解不出的题目占21.3%，而反过来只有0.6%。换句话说，顺序的自由度越大，推理性能反而越差，这可不是巧合。

基于这个发现，团队提出的解决方案干脆利落——叫作JustGRPO，意思就是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，直接用GRPO就好了。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堆工程难题，比如生成顺序不固定导致无法准确归因每个词的贡献，各家团队不得不引入各种复杂手段。而JustGRPO走的是一条“大道至简”的路——打个比方，当所有人都在给左手练力量，有人说：为什么不直接用右手？

JustGRPO训练完成后，模型推理速度完全不受影响，推理效果却大幅提高。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，达到了89.1%的准确率，全面超越了d1、ESPO、SPG、GDPO等所有专门为扩散模型设计的复杂强化学习算法。这个结果，可以说很能说明问题了。