恺明经典模型获时间检验奖 2025 年 11 月 27 日，人工智能领域顶会 NeurIPS（神经信息处理系统大会）正式公布 2025 年度奖项名单，4 篇论文斩获最佳论文奖（Best Paper）、3 篇获最佳论文提名（Best Paper Runner-up），其中 3 篇最佳论文由华人学者担任一作，阿里 Qwen 团队研发的门控注意力机制成果尤为亮眼；与此同时，任少卿、何恺明等团队 2015 年提出的 Faster R-CNN 目标检测框架，凭借十年来对计算机视觉领域的深远影响，荣获时间检验奖（Test of Time Paper Award）。
最佳论文：聚焦多领域突破，华人学者成中坚力量
本次 NeurIPS 2025 最佳论文覆盖大语言模型、强化学习、扩散模型等核心赛道，3 篇由华人学者主导的成果展现了中国在 AI 基础研究领域的强劲实力。
阿里 Qwen 团队与多所高校合作完成的《Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free》，是唯一来自企业团队的最佳论文。该研究针对大语言模型注意力机制的痛点，提出在缩放点积注意力（SDPA）后加入注意力头特定的 sigmoid 门控机制，通过对 15B 混合专家（MoE）模型和 1.7B 稠密模型在 3.5 万亿 token 数据集上的 30 种变体实验验证，实现了多重突破：不仅将模型训练稳定性大幅提升，容忍更大学习率，还有效缓解 “注意力沉陷” 问题 —— 基线模型中平均 46.7% 指向首个 token 的注意力占比，在新机制下降至 4.8%；同时在长上下文外推任务（如 RULER 基准）上实现超 10 分的性能增益，相关设计已应用于 Qwen3-Next 模型，代码与模型均已开源。
来自华盛顿大学 Liwei Jiang 团队的《Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)》，则揭露了大语言模型的 “同质化危机”。研究发现，当前主流大模型（无论开源 / 闭源、不同规模）在开放式生成任务中，存在显著的模型内重复与模型间同质性 —— 即便采用 min-p 等增强多样性的解码策略，超 60% 响应相似度仍超过 0.8。例如对 “写一个关于时间的隐喻” 的查询，25 个不同模型的 50 条响应仅形成 “时间是河流”“时间是织工” 两个主要聚类。团队还构建了含 26K 真实开放式查询的 INFINITY-CHAT 数据集，为评估模型多样性提供了首个系统资源，引发业界对 AI 创意同质化风险的关注。
普林斯顿大学 Kevin Wang 团队的《1000 Layer Networks for Self-Supervised RL》，打破了强化学习领域 “浅层架构更优” 的传统认知。研究将网络深度提升至 1024 层，结合自监督对比强化学习（CRL）算法与残差连接等技术，在移动、导航、机器人操作等任务中实现性能飞跃 —— 部分任务效率提升 2-50 倍，8 个任务超越 SAC、TD3+HER 等主流基线算法。更关键的是，当深度达到特定临界值（如 Ant Big Maze 的 8 层、Humanoid U-Maze 的 64 层）时，智能体将习得全新技能（如类人机器人翻墙、坐姿移动），且深度扩展比宽度扩展更具计算效率，为 RL 模型规模扩展提供新范式。
巴黎高等科学与研究学院团队的《Why Diffusion Models Don’t Memorize》，则从理论层面解答了扩散模型的泛化机制。研究识别出扩散模型训练的两个关键时间尺度：泛化时间（生成高质量样本的最短时间，与训练集大小无关）与记忆化时间（开始记忆数据的时间，随训练集大小线性增长），两者形成的 “泛化窗口” 随训练集扩大而拓宽。这一发现揭示了隐式动力学正则化的作用 —— 即便模型高度过参数化，只要在泛化窗口内停止训练，就能避免记忆化并高效泛化，为扩散模型的训练策略优化提供重要理论支撑。
时间检验奖：Faster R-CNN 十年深耕，重塑目标检测领域
此次获时间检验奖的 Faster R-CNN，是计算机视觉领域的 “里程碑式成果”。由任少卿、何恺明、Ross Girshick、孙剑团队于 2015 年提出的这一目标检测框架，核心创新在于引入 “区域提议网络（RPN）”，首次实现检测网络与提议网络的卷积特征共享，彻底解决传统目标检测中区域提议计算耗时的瓶颈。
RPN 作为全卷积网络，通过 3 种尺度、3 种长宽比的 “锚点” 机制，无需图像金字塔即可覆盖多形态目标，兼具平移不变性且参数规模更小；配合多任务损失函数（分类损失 + 回归损失）与 4 步交替训练策略，Faster R-CNN 实现了端到端的近实时检测 —— 使用 VGG-16 模型时在 GPU 上达 5fps 帧率，仅需 300 个提议区域即优于传统方法 2000 个提议的性能，提议计算耗时仅 10ms。
十年来，该框架不仅在 PASCAL VOC、MS COCO 等数据集上长期保持精度优势，更成为 3D 目标检测、实例分割等领域的技术基础，多个 ILSVRC、COCO 竞赛冠军方案均基于其改进。其特征共享、锚点机制等设计理念，至今仍深刻影响着计算机视觉算法的发展，充分体现了 “经得住时间考验” 的顶会成果价值。
行业意义：基础研究引领创新，垂直领域突破成趋势
从本次 NeurIPS 获奖成果来看，AI 领域正呈现 “基础理论深化 + 垂直场景突破” 的发展趋势。一方面，大语言模型的注意力机制优化、扩散模型的泛化原理等基础研究，为技术落地提供更坚实的理论支撑；另一方面，强化学习的深度扩展、目标检测的经典复用，展现出跨领域技术迁移与长期迭代的价值。
尤其值得关注的是，阿里 Qwen 团队的获奖，标志着中国企业在 AI 基础研究领域的竞争力持续提升，从 “技术应用” 向 “理论创新” 加速迈进。随着这些前沿成果的开源与落地，将进一步推动全球 AI 技术生态的发展，为大模型效率提升、计算机视觉创新等提供新的方向。
