NeurIPS 2025 最佳论文奖公布，中国研究者贡献突出

人工智能领域顶级会议neurips 2025最佳论文奖近日揭晓，共评选出四篇获奖论文，其中多篇由华人学者领衔完成。本次获奖研究聚焦语言模型多样性、大模型注意力机制优化、深度强化学习突破以及扩散模型的理论解析。

获奖工作包括 Liwei Jiang 等人提出的《Artificial Hivemind》，揭示了大模型生成过程中的“人工蜂群效应”；来自阿里巴巴通义千问团队的 Zihan Qiu 等人发表的《Gated Attention for Large Language Models》，提出了一种有效缓解“注意力沉降”问题的新架构；普林斯顿大学 Kevin Wang 等人通过构建千层网络实现自监督强化学习的重大进展；以及巴黎文理研究大学 Tony Bonnaire 等人对扩散模型泛化行为的深入理论分析。

值得一提的是，何恺明、孙剑等人于2015年发表的《Faster R-CNN》荣获本届“时间检验奖”，彰显其在计算机视觉领域的深远影响。

以下是各篇获奖论文的简要介绍：

最佳论文

1. Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)

   • 作者：Liwei Jiang, Yuanjun Chai等
   • 机构：艾伦人工智能研究所、斯坦福大学
   • 内容：构建大规模对话数据集Infinity-Chat，系统性揭示大语言模型在开放式生成任务中存在“群体思维”现象，表现为模型内部重复输出与跨模型同质化倾向，为评估和提升生成多样性提供了新基准。
   • 链接：https://www.php.cn/link/7dcaf28989f03f0a85f05eb8d4a96b1d

2. Gated Attention for Large Language Models: Non-Linearity, Sparsity, and Attention-Sink-Free

   • 作者：Zihan Qiu, Zekun Wang等
   • 机构：阿里通义千问团队、爱丁堡大学等
   • 内容：提出并验证门控注意力机制在大语言模型中的关键作用，证明其能有效增强非线性表达能力、引入稀疏性，并避免“注意力沉降”问题，相关技术已集成至Qwen3-Next模型中。
   • 链接：https://www.php.cn/link/4b9ba87e0fa64737feea24fe89169f3e

3. 1000 Layer Networks for Self-Supervised RL: Scaling Depth Can Enable New Goal-Reaching Capabilities

   • 作者：Kevin Wang, Ishaan Javali等
   • 机构：普林斯顿大学、华沙理工大学
   • 内容：首次将神经网络深度扩展至1024层用于自监督强化学习，实验证明该设计显著提升了策略学习能力和目标达成性能，打破了传统浅层结构的局限。
   • 链接：https://www.php.cn/link/33807476351b4d1295b34aa9dce30273

4. Why Diffusion Models Don’t Memorize: The Role of Implicit Dynamical Regularization in Training

   • 作者：Tony Bonnaire, Raphaël Urfink等
   • 机构：巴黎文理研究大学、博科尼大学
   • 内容：从动力学角度分析扩散模型训练过程，发现隐式动态正则化机制是其即便在高度过参数化条件下仍能保持良好泛化性的关键原因，为生成模型的理解提供理论支撑。
   • 链接：https://www.php.cn/link/7c7b9ebf8078f2004a859430d599a622

最佳论文荣誉提名（亚军）

1. Does Reinforcement Learning Really Incentivize Reasoning Capacity in LLMs Beyond the Base Model?

   • 作者：Yang Yue, Zhiqi Chen等
   • 机构：清华大学、上海交通大学
   • 内容：质疑当前强化学习方法是否真正增强了大模型的推理能力，指出带可验证奖励的RLVR框架未必带来实质性提升，呼吁更严谨的评估体系与新型训练范式。
   • 链接：https://www.php.cn/link/22faad819c7d2f9739083b503674694e

2. Optimal Mistake Bounds for Transductive Online Learning

   • 作者：Zachary Chase, Steve Hanneke等
   • 机构：肯特州立大学、普渡大学等
   • 内容：解决了传导式在线学习领域长达三十年的核心难题，精确推导出最优错误上界，并证明其相较于标准在线学习具有二次方级别的复杂度差异。
   • 链接：https://www.php.cn/link/b0f47015b6ace4492dd96d63e515e779

3. Superposition Yields Robust Neural Scaling

   • 作者：Yizhou Liu, Ziming Liu等
   • 机构：麻省理工学院
   • 内容：提出表征叠加机制是驱动神经缩放定律的根本因素，为解释模型规模增长如何带来性能持续提升提供了新的理论视角。
   • 链接：https://www.php.cn/link/a6cd8b85105e31ee5647b65a973f3205

此外，任少卿、何恺明等人于2015年发表的经典论文《Faster R-CNN》被授予“时间检验奖”，该成果奠定了现代目标检测系统的基石架构，至今仍广泛应用于工业界与学术界。

源码地址：点击下载