千问团队四篇论文入选AI顶会：提升AI主动性与高效对话

AI领域的竞争持续白热化，但衡量其实力的标准也在悄然变化：我们不再只看重训练所用的算力和模型的参数量级，更要审视AI在复杂的应用场景中，是否能展现出如人类般的思考与行动能力。

1月30日，千问C端应用团队宣布，其四篇人工智能领域的研究论文已正式入选2026年国际学习表征会议。

图片来源：阿里

作为机器学习领域公认的三大顶会之一，ICLR的入选难度本就很高，而今年ICLR 2026的竞争之激烈，甚至可以用“惨烈”来形容。本届会议投稿量超过1.9万篇，再次刷新纪录。然而，在投稿数量暴增的同时，论文的平均得分却出现了下滑，28.18%的录用率更是创下了近年新低。

在如此严苛的筛选机制下，千问团队能够有四篇论文脱颖而出，这不但印证了其科研成果在理论层面的前沿性，更体现了其研究方向与当下行业亟待解决的“可靠性、可用性”等核心需求高度契合。

此次入选的四篇论文，其核心逻辑非常一致，都是致力于让AI在复杂场景下表现得更加智能、可靠与实用：

1. 告别“黑箱”：提升扩散模型的输出稳定性
2. 学会“主动问诊”：突破多轮对话的决策瓶颈
3. AI自我进化：无需人工标注的检索验证机制
4. 拒绝“废话文学”：模型价值观对齐的新思路

当前的AI生成（如图像或长文本）有时类似于一个黑箱，输出质量忽高忽低。千问团队在关于扩散语言模型的研究中，针对其掩码训练存在的不稳定性，提出了一套帕累托最优的无偏训练算法。

团队公开介绍称，该算法显著降低了训练波动，提升了图文生成的质量。这意味着未来的内容创作工具将有望进一步告别“神经质”般的表现，其输出结果也会更加稳定和符合预期。

另一方面，如今的AI助手显得有些“被动”，往往是问一句答一句，这种沟通效率在医疗咨询等专业领域显得极低。围绕医疗多轮对话中复杂的推理任务，千问团队提出了自适应树策略优化方法，使AI能够根据对话过程中的不确定性，动态调整其决策路径。

简而言之，AI学会了“主动追问”。当信息不足时，它会精准提问以获取关键信息；线索清晰时则能快速给出判断。这让AI助手在复杂咨询场景中，能像经验丰富的专业人士一样，只问关键问题，避免无效对话。

此外，千问团队还打造了“提问—解答—验证”的自博弈强化学习框架，让AI在不需要额外人工标注的情况下，实现自我核验与进化。在学习辅助、研究支持等知识密集型场景中，AI能够自主核实验证资料，表现得更为可靠。

同时团队引入了信息论偏见消除方法，引导奖励模型关注真正与人类偏好相关的信号。相比过去为了迎合人类偏好，很多模型学会了写冗长但空洞的套话，这能有效减少信息密度低、形式化却内容贫乏的输出，让AI更关注能帮助用户的核心要点，避免出现“废话文学”。

更重要的是，千问团队这次在ICLR 2026的表现，实际上也释放了一个明确的信号：大模型竞争的重心已经悄然转移。

图片来源：雷科技

早期的竞争是粗放的，比拼的是参数规模和算力堆叠。但过去一年，行业内部其实已在逐步形成共识，竞争正从“参数规模”转向“算法深度与工程实效”。单纯的大已不再代表强，真正的核心竞争力在于，谁能对基础算法进行更系统性的探索，谁能把AI真正带入复杂、高频的实际应用场景中。

值得注意的是，此次千问团队入选的四篇论文相关代码均已开源。通过开放核心技术细节，这种“以应用为导向研究”的模式，或许能为整个行业在提升AI可靠性方面提供新的范式。