7月5日，AI顶会ICML上传来一个消息：阿里巴巴与清华大学合作的论文《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》一举拿下了大会杰出论文（Outstanding Paper）。在ICML上，杰出论文是最高荣誉，通常只颁给2-3篇，获奖率仅占接受论文的千分之一——用「百里挑一」都不足以形容其稀缺。

论文的核心发现很有意思：当模型拥有任意顺序生成的自由度时，看似灵活，实则掉入了「灵活性陷阱」。研究者把这种现象命名为「熵退化」——模型在生成过程中，选择权被悄悄消解了。实证数据很能说明问题：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%，反过来只有0.6%。顺序越自由，推理性能越差，这个趋势相当明显。

其实背后原因并不复杂。图里展示得很清楚：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；而任意顺序（b）则让模型绕过难点，优先处理容易的部分——结果呢？推理路径被提前锁死，后续只能将错就错。

基于这个发现，研究团队提出的解决方案简单得让人意外——就叫「JustGRPO」。字面意思：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就够了。GRPO是行业里主流的算法，原理是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，为扩散语言模型（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——好比所有人都在给左手练力量，有人说：为什么不直接用右手？

效果如何？训练完成后，模型推理速度不受影响，推理能力反而大幅提升。在GSM8K（业界衡量大模型推理能力的标准测试集，约8500道多步推理小学数学应用题）上，准确率达到89.1%，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。

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