Z Highlights

• 從論文分布上看，基座大模型吃掉51.8%的份額，多模態(tài)感知再切走 20.8%。光是這兩個(gè)方向，就卷走了超過七成的火力。

• 如果說基座大模型是明牌，那計(jì)算機(jī)系統(tǒng)就是阿里的暗牌。表面上看，系統(tǒng)方向只有 5 篇論文，數(shù)量少得可憐。但整個(gè) ICLR 2026 在系統(tǒng)方向的占比僅 0.8%，阿里的偏好指數(shù)高達(dá) 2.44，重倉程度甚至超過基座大模型。

• 誰能解決泛化問題，誰能壓縮系統(tǒng)成本，誰能打通模型落地的最后一公里，誰才是下一個(gè)時(shí)代的贏家。阿里系的研究重心，已經(jīng)從做強(qiáng)轉(zhuǎn)向做實(shí)。

AI 頂會(huì)江湖，風(fēng)向正在悄然生變。

當(dāng)全球 5340 篇論文涌入 ICLR 2026，阿里系以 255 篇接收論文、10 篇 Oral 的硬核戰(zhàn)績，拿下 4.8%的全球份額。這不是簡單的數(shù)字堆砌，在這份成績單背后，藏著阿里 AI 戰(zhàn)略的深層邏輯：從單兵突進(jìn)轉(zhuǎn)向生態(tài)作戰(zhàn)，從論文工廠轉(zhuǎn)向產(chǎn)業(yè)閉環(huán)。

關(guān)于 ICLR：國際表征學(xué)習(xí)大會(huì)（ICLR）是深度學(xué)習(xí)領(lǐng)域頂級(jí)會(huì)議，與 NeurIPS、ICML 并稱機(jī)器學(xué)習(xí)三大頂會(huì)，近期被 CCF 評(píng)為 A 類會(huì)議。2026 年 ICLR 覆蓋大語言模型、生成模型、多模態(tài)學(xué)習(xí)、AI 安全、機(jī)器學(xué)習(xí)系統(tǒng)等多個(gè)前沿方向。

255篇背后：一場產(chǎn)學(xué)研的鐵三角實(shí)驗(yàn)

翻開阿里系的論文版圖，一個(gè)反常識(shí)的數(shù)據(jù)炸場：96.1% 的論文依賴外部合作，純阿里獨(dú)立完成的僅占 2.7%。但一個(gè)細(xì)節(jié)更值得玩味：這份龐大的合作名單里，海外高校幾乎缺席。

這不是能力短板，而是一場更為極致的本土化閉環(huán)實(shí)驗(yàn)——阿里正在把自己變成一塊磁石，不玩閉門造車的原創(chuàng)神話，而是搭建產(chǎn)業(yè)平臺(tái) + 國內(nèi)高校網(wǎng)絡(luò)的新范式。純阿里獨(dú)立完成的論文，只有 7 篇，占比 2.7%。剩下的 97.3%呢？

• 阿里-高校合作 168 篇（65.9%）

• 阿里-高校-企業(yè)混合 77 篇（30.2%）

• 純阿里-企業(yè)合作 3 篇（1.2%）

圖 7 阿里系論文合作版圖分布

本土 AI 全明星陣容包括：

• 浙江大學(xué) 51 篇

• 清華大學(xué) 43 篇

• 香港科技大學(xué) 31 篇

• 北京大學(xué) 29 篇

• 中科院自動(dòng)化所 20 篇

甚至連字節(jié)跳動(dòng)（13 篇）、騰訊（9 篇）這些友商，都在阿里系的合作網(wǎng)絡(luò)里刷臉。在頂會(huì)賽場上，競合關(guān)系的邊界正在模糊——今天的對手，明天的合作者。

0% 的海外依賴，2.7% 的獨(dú)舞，96.1% 的群像，阿里在用數(shù)據(jù)證明：在這個(gè)時(shí)代，做平臺(tái)比做孤島更有殺傷力。這些頭部高校不僅是論文產(chǎn)出機(jī)器，更是阿里的人才蓄水池和技術(shù)風(fēng)向標(biāo)。

基座大模型吃掉半壁江山，多模態(tài)感知緊追不舍

如果說論文數(shù)量是面子，那研究方向就是里子。阿里系的火力高度集中在兩大高地：基座大模型（51.8%）和多模態(tài)感知（20.8%）。光是這兩個(gè)方向，就吞掉了超過七成的彈藥。

這與 ICLR 的整體趨勢同頻共振，但阿里的打法更重——當(dāng)行業(yè)還在卷參數(shù)規(guī)模，他們已經(jīng)開始死磕可用性重構(gòu)。10 篇 Oral 論文透露了研究重心正從能力突破轉(zhuǎn)向場景閉環(huán)：泛化、推理、效率、落地這四個(gè)關(guān)鍵詞，構(gòu)成了阿里 AI 的新坐標(biāo)系。

過去兩年，大模型賽道充斥著大力出奇跡的狂熱。但阿里系在 ICLR 2026 的選題，明顯冷靜了下來。

他們不再只關(guān)心模型能做什么，而是追問模型在真實(shí)世界怎么用得起來。系統(tǒng)效率優(yōu)化、復(fù)雜環(huán)境泛化、推理可靠性保障，這些聽起來不那么性感的方向，正在成為新的技術(shù)高地。這種轉(zhuǎn)向，與阿里的產(chǎn)業(yè)基因密不可分。作為年研發(fā)投入超 15%、坐擁數(shù)萬塊 GPU 集群和數(shù)十億級(jí)真實(shí)業(yè)務(wù)數(shù)據(jù)的云服務(wù)商，阿里比純研究機(jī)構(gòu)更清楚：技術(shù)價(jià)值最終要在產(chǎn)業(yè)閉環(huán)里兌現(xiàn)。依托 7000 余名技術(shù)人才（含 2000+博士）和魔搭社區(qū)等開放平臺(tái)，阿里已經(jīng)構(gòu)建起全球領(lǐng)先的 AI 全棧能力。

但 255 篇論文也拋出了一個(gè)新命題：當(dāng)外部合作成為主流產(chǎn)出模式，如何在工程能力、場景需求與學(xué)術(shù)原創(chuàng)之間找到更深層的平衡？這不僅是阿里的挑戰(zhàn)，也是中國產(chǎn)業(yè) AI 的集體課題。畢竟，頂會(huì)論文只是入場券，定義下一代 AI 基礎(chǔ)設(shè)施的能力，才是真正的終局之戰(zhàn)。

計(jì)算機(jī)系統(tǒng)方向偷偷發(fā)力，全力押注工程可落地

255 篇論文背后，阿里系的彈藥到底投向了哪里？

圖 1 阿里系論文數(shù)量概覽

基座大模型：阿里的超配戰(zhàn)略

數(shù)據(jù)不會(huì)說謊。ICLR 2026 整體接收論文中，基座大模型方向占 33.2%，而阿里系在這一方向的占比高達(dá) 51.8%——偏好指數(shù) 1.56，超配幅度接近六成。這意味著當(dāng)行業(yè)還在均衡布局時(shí)，阿里選擇了把雞蛋放在最重的籃子里。

圖 2 阿里系論文研究領(lǐng)域大類分布

更細(xì)顆粒度地看，阿里系在 foundation or frontier models（含 LLM）方向砸了 72 篇論文，占總量 28.2%；多模態(tài)應(yīng)用 47 篇、數(shù)據(jù)集與評(píng)測基準(zhǔn) 30 篇、生成模型 30 篇——從底層架構(gòu)到上層應(yīng)用，從訓(xùn)練數(shù)據(jù)到評(píng)測標(biāo)準(zhǔn)，阿里正在構(gòu)建一套完整的技術(shù)閉環(huán)。

圖 3 阿里系論文一級(jí)研究方向 Top 10

一個(gè)值得玩味的細(xì)節(jié)是Junyang Lin（林俊旸）一人署名 8 篇論文，其中 1 篇 Oral。這位阿里大模型骨干的選題清單，堪稱阿里技術(shù)路線的縮影——多模態(tài)推理、軟件工程智能體、推測式解碼、全模態(tài)感知...清一色的大模型+多模態(tài)主線。

系統(tǒng)方向是被忽視的隱形重倉

圖 4 阿里與整體 ICLR 方向分布對比

圖 5 阿里方向偏好指數(shù)

如果說基座大模型是明牌，那計(jì)算機(jī)系統(tǒng)方向就是阿里的暗牌。表面上看，系統(tǒng)方向只有 5 篇論文，數(shù)量少得可憐。但別忘了，整個(gè) ICLR 2026 在系統(tǒng)方向的占比僅 0.8%——阿里的偏好指數(shù)高達(dá) 2.44，重倉程度甚至超過基座大模型。

這透露了一個(gè)關(guān)鍵信號(hào)：當(dāng)所有人都在卷模型能力，阿里已經(jīng)開始死磕底層基礎(chǔ)設(shè)施。畢竟，對于手握數(shù)萬塊 GPU 集群的云服務(wù)商來說，系統(tǒng)效率才是真正的護(hù)城河。

Oral 質(zhì)量占比：與大盤持平，未見明顯超車

圖 6 阿里與整體 ICLR Oral 占比對比

最后看一個(gè)硬核指標(biāo)：Oral 占比。阿里系 Oral 論文 10 篇，占比 3.9%；ICLR 整體 Oral 占比 4.2%。-0.3 個(gè)百分點(diǎn)的差距，說明阿里在論文質(zhì)量上穩(wěn)住了基本盤，但并未形成顯著的精品優(yōu)勢。

換句話說，相比頂級(jí)突破性成果，阿里更擅長規(guī)?；a(chǎn)出，把三個(gè)特征串起來看，阿里在 ICLR 2026 的打法已經(jīng)非常清晰：

1.方向聚焦：基座大模型絕對重倉，多模態(tài)緊隨其后，系統(tǒng)方向暗中發(fā)力

2.生態(tài)作戰(zhàn)：96%的論文依賴外部合作，把自己變成產(chǎn)業(yè)研究平臺(tái)

3.工程導(dǎo)向：偏好指數(shù)顯示，阿里明顯回避純理論方向，全力押注工程可落地領(lǐng)域

這不是傳統(tǒng)意義上的學(xué)術(shù)機(jī)構(gòu)打法，而是平臺(tái)型科技公司的典型策略——用產(chǎn)業(yè)資源換學(xué)術(shù)影響力，用合作網(wǎng)絡(luò)換規(guī)模效應(yīng)，最終目標(biāo)不是頂會(huì)獎(jiǎng)杯，而是 AI 基礎(chǔ)設(shè)施的定義權(quán)。

注：

• 偏好指數(shù) = 阿里在某方向的論文占比 / 整體 ICLR 在該方向的論文占比。偏好指數(shù)大于 1 表示阿里在該方向相對超配，小于 1 表示相對低配。

• 占比差值 = 阿里在某方向的論文占比 - 整體 ICLR 在該方向的論文占比，用于直觀看結(jié)構(gòu)差異。

• 本文新增的這些指標(biāo)都屬于描述性統(tǒng)計(jì)，用于說明方向結(jié)構(gòu)，不做顯著性檢驗(yàn)。

10篇Oral看阿里系ICLR 2026的真正重心

我們聚焦在阿里系在 ICLR 上的 10 篇Oral文章，相關(guān)研究大致沿著泛化性、推理可靠性、計(jì)算效率以及對齊與交互能力四條主線展開，并逐步形成了從數(shù)據(jù)構(gòu)建、模型設(shè)計(jì)、先驗(yàn)注入、推理增強(qiáng)到評(píng)測范式重構(gòu)的多層次研究圖景。

首先，在泛化能力方面，現(xiàn)有工作已不再滿足于封閉分布下的性能提升，而是更加關(guān)注模型在未見偽造類型、跨域場景以及復(fù)雜真實(shí)環(huán)境中的魯棒性。一類研究從數(shù)據(jù)與基準(zhǔn)構(gòu)建入手，試圖通過更貼近實(shí)際應(yīng)用條件的訓(xùn)練與評(píng)測設(shè)置縮小實(shí)驗(yàn)環(huán)境與工業(yè)場景之間的差距。例如，HydraFake 強(qiáng)調(diào)多樣化偽造技術(shù)、真實(shí)世界 forgery 以及嚴(yán)格的 out-of-domain 協(xié)議，從數(shù)據(jù)層面推動(dòng)深偽檢測研究由“同分布識(shí)別”轉(zhuǎn)向“面向開放場景的泛化檢測”；另一類工作從模型機(jī)制本身出發(fā)增強(qiáng)泛化能力。以 Camera-Aware MLLM 為代表的研究指出，僅依賴 RGB 輸入的空間智能建模容易將幾何屬性與相機(jī)成像條件混合編碼，導(dǎo)致模型過擬合于訓(xùn)練相機(jī)分布，因此有必要將相機(jī)內(nèi)參顯式納入視覺 token 的條件建模之中，并輔以相機(jī)感知的數(shù)據(jù)增強(qiáng)策略與幾何先驗(yàn)蒸餾，以提升跨相機(jī)條件下的空間推理能力。

在推理能力與可靠性方面，一條重要方向是通過結(jié)構(gòu)化推理機(jī)制增強(qiáng)模型的中間決策質(zhì)量。Veritas 通過在傳統(tǒng) chain-of-thought 之外引入 planning 與 self-reflection 等關(guān)鍵模式，使模型能夠以更接近人工鑒偽流程的方式逐步分析偽造線索；VC-STaR 從視覺對比的角度出發(fā)，利用對比式 VQA 樣本幫助模型更準(zhǔn)確地定位判別性視覺證據(jù)，并在此基礎(chǔ)上生成質(zhì)量更高、幻覺更少的視覺推理路徑，進(jìn)而實(shí)現(xiàn)視覺推理能力的自我提升。

VERITAS

在效率與優(yōu)化方面，相關(guān)研究主要覆蓋訓(xùn)練階段與推理階段兩個(gè)層面。訓(xùn)練階段的工作更多關(guān)注如何在不犧牲最終性能的前提下降低傳統(tǒng)優(yōu)化范式中的冗余設(shè)計(jì)。WSM 即代表了一類重新審視學(xué)習(xí)率衰減機(jī)制的研究，其核心觀點(diǎn)在于通過 checkpoint merging 建立學(xué)習(xí)率調(diào)度與模型平均之間的形式聯(lián)系，從而以一種 decay-free 的方式近似或替代常見的 cosine decay、linear decay 等退火策略。該類方法的意義不僅在于優(yōu)化效率本身，也在于其為長期預(yù)訓(xùn)練和后續(xù)監(jiān)督微調(diào)提供了更統(tǒng)一的訓(xùn)練動(dòng)力學(xué)解釋。

在對齊、交互與決策能力方面，研究關(guān)注點(diǎn)則進(jìn)一步擴(kuò)展至模型如何在開放環(huán)境中適應(yīng)用戶偏好、完成動(dòng)態(tài)任務(wù)并實(shí)現(xiàn)可擴(kuò)展的行為優(yōu)化。P-GenRM 代表了個(gè)性化對齊方向的重要進(jìn)展，其通過將用戶偏好表征為結(jié)構(gòu)化評(píng)價(jià)鏈，并在測試階段引入基于個(gè)體與原型的雙粒度縮放機(jī)制，使獎(jiǎng)勵(lì)模型不僅能夠適配特定用戶的細(xì)粒度偏好，還能借助相似用戶群體的原型知識(shí)增強(qiáng)對新用戶的泛化能力。

P-GenRM

綜合來看，一方面，研究者通過更真實(shí)的數(shù)據(jù)分布、動(dòng)態(tài)交互環(huán)境和更嚴(yán)格的評(píng)測協(xié)議不斷暴露現(xiàn)有模型在開放世界中的能力缺口；另一方面，又通過結(jié)構(gòu)化推理、先驗(yàn)知識(shí)注入、訓(xùn)練與解碼機(jī)制優(yōu)化以及個(gè)性化對齊等方法，系統(tǒng)性地彌補(bǔ)模型在泛化性、可靠性、效率和實(shí)用性上的不足。

作者: Cheng Gao, Shi Yuchen, Wang Shijie

*排名不分先后，按照首字母排序

Ref.

https://arxiv.org/pdf/2602.12116

https://arxiv.org/pdf/2508.21048

https://papercopilot.com/statistics/iclr-statistics/

數(shù)據(jù)來自 openreview 公開信息

加入ZF討論群，請先添加小助手微信

我們相信認(rèn)知能夠跨越階層，

致力于為年輕人提供高質(zhì)量的科技和財(cái)經(jīng)內(nèi)容。

稿件經(jīng)采用可獲邀進(jìn)入Z Finance內(nèi)部社群，優(yōu)秀者將成為簽約作者，00后更有機(jī)會(huì)成為Z Finance的早期共創(chuàng)成員。

我們正在招募新一期的實(shí)習(xí)生