Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals
剪裁瓶颈：通过近边界信号的随机恢复稳定RLVR
机构 * Alibaba Group（阿里巴巴集团）
AI总结 本文研究了强化学习可验证奖励（RLVR）中由于硬剪裁决策导致的训练不稳定问题，提出了一种名为近边界随机救援（NSR）的简单方法，通过随机保留略微超出边界范围的token来恢复丢失的信号，从而提升训练稳定性和性能。
大厂专区
Alibaba（阿里巴巴）
Unified Data Selection for LLM Reasoning
统一的数据选择用于LLM推理
机构 * University of Science and Technology of China（中国科学技术大学） ； Alibaba Group（阿里巴巴集团） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出了一种无需训练的高熵和（HES）指标，用于评估和选择高质量的推理样本，通过在三种主流训练范式（监督微调、拒绝微调和强化学习）中验证，证明了其在提高LLM推理性能和减少计算开销方面的有效性。
Comments Under Review
TransitLM: A Large-Scale Dataset and Benchmark for Map-Free Transit Route Generation
TransitLM: 一个大规模数据集和基准，用于无地图的公共交通路线生成
机构 * Alibaba Group（阿里巴巴集团） ； AMAP
AI总结 本文提出TransitLM，一个包含1300万条公共交通路线规划记录的数据集，用于无地图的公共交通路线生成，展示了通过数据训练模型生成有效路线的能力。
One-Way Policy Optimization for Self-Evolving LLMs
单向策略优化用于自演化大语言模型
机构 * Shenzhen Graduate School, Peking University（北京大学深圳研究生院） ； Dartmouth College（达特茅斯学院） ； Alibaba（阿里巴巴）
AI总结 本文提出单向策略优化方法，通过解耦优化方向与更新幅度，解决传统方法中验证器奖励稀疏导致的训练不稳定问题，实现大语言模型的持续自演化。
SiameseNorm: Breaking the Barrier to Reconciling Pre/Post-Norm
SiameseNorm: 突破预规范与后规范之间的障碍
机构 * Leap Lab, Tsinghua University（清华大学 Leap 实验室） ； Qwen Large Model Application Team, Alibaba（阿里巴巴 Qwen 大模型应用团队） ； Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息学研究院）
AI总结 本文提出SiameseNorm，一种双流架构，通过共享残差块将预规范和后规范结合，从而在保持训练稳定性的同时提升模型性能，适用于多种架构和模态。
Comments Accepted to ICML 2026; camera-ready version; revised presentation and added additional experimental results
MTR-Bench: A Comprehensive Benchmark for Multi-Turn Reasoning Evaluation
MTR-Bench：多轮推理评估的综合性基准
机构 * University of Science and Technology of China（中国科学技术大学） ； Alibaba Group（阿里巴巴集团） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出MTR-Bench，一个包含4类、40个任务和3600个实例的综合性基准，用于评估大型语言模型的多轮推理能力，通过自动化框架实现大规模评估，并揭示了当前先进推理模型在多轮交互任务中的不足。
Comments ACL 2026 Main Conference
Faithful-MR1: Faithful Multimodal Reasoning via Anchoring and Reinforcing Visual Attention
Faithful-MR1: 通过锚定和强化视觉注意力实现忠实的多模态推理
机构 * AMAP, Alibaba Group（阿里云实验室，阿里巴巴集团） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出Faithful-MR1框架，通过锚定和强化视觉注意力解决多模态推理中的忠实性问题，提升模型在多模态基准上的表现。
Comments 20 pages, 7 figures, 3 tables. Preprint
Bringing Stability to Diffusion: Decomposing and Reducing Variance of Training Masked Diffusion Models
为扩散模型带来稳定性：分解和减少训练掩码扩散模型的方差
机构 * University of Cambridge（剑桥大学） ； Peking University（北京大学） ； Qwen Large Model Application Team, Alibaba（阿里巴巴通义大模型应用团队）
AI总结 本文研究了掩码扩散模型（MDMs）训练方差高导致不稳定的问题，通过分解方差来源并提出六种方差减少方法，显著提升了模型在复杂推理任务中的准确率，并将运行间变异性降低至自回归模型（ARMs）水平。
Deeply Learned Robust Matrix Completion for Large-scale Low-rank Data Recovery
深度学习鲁棒矩阵补全用于大规模低秩数据恢复
机构 * School of Data, Mathematical, and Statistical Sciences and the Department of Computer Science, University of Central Florida（数据、数学与统计科学学院和计算机科学系，中央佛罗里达大学） ； School of Data, Mathematical, and Statistical Sciences, University of Central Florida（数据、数学与统计科学学院，中央佛罗里达大学） ； Damo Academy, Alibaba US（阿里云美国研究院）
AI总结 本文提出了一种可扩展且可学习的非凸方法，即学得鲁棒矩阵补全（LRMC），用于大规模鲁棒矩阵补全问题，该方法具有低计算复杂度和线性收敛性，并通过深度展开有效学习自由参数以实现最优性能，同时在合成数据集和实际应用中验证了其优越的实验性能。
Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, 48(6): 6541-6556, 2026
