当下一代大语言模型不断追求更自由的生成方式时，一项最新研究却提出了一个颇具颠覆性的观点：生成越灵活，推理能力反而可能越差。

7月5日，阿里巴巴与清华大学合作完成的论文《The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models（灵活性陷阱：重新审视扩散语言模型中任意顺序生成的价值）》入选国际机器学习大会（ICML 2026）杰出论文（Outstanding Paper）。杰出论文是ICML最高荣誉，通常每年仅授予2至3篇，获奖率约占接受论文的千分之一。

扩散大语言模型（dLLM）是当前备受关注的新一代语言模型架构，Google的Gemini Diffusion、中国人民大学的LLaDA等均属于这一技术路线。与GPT、Qwen等主流大语言模型必须按照从左到右顺序逐个生成token不同，dLLM可以任意选择生成顺序，理论上拥有更大的生成空间，因此近年来被寄予厚望。

不过，这项研究首次对这一核心优势提出质疑。论文指出，在数学、编程等通用推理任务中，任意顺序生成不仅没有提升模型能力，反而可能成为推理的“灵活性陷阱”。

研究团队发现，不确定性较高的关键逻辑节点，如“因此”“所以”等，就像推理过程中的分叉口。从左到右生成时，模型必须在此作出选择，完成推理后才能继续；而任意顺序生成时，模型往往会绕过这些难点，优先生成容易确定的内容。等到最后再补全这些关键节点时，上下文已经确定，原本需要推理的分叉口变成了“填空题”，推理路径也随之提前锁定。

研究者将这一现象命名为“熵退化”。

实验结果验证了这一发现。在HumanEval代码生成任务上，有21.3%的题目能够通过从左到右生成解决，却无法通过任意顺序生成完成；反过来的情况仅占0.6%。研究还发现，生成顺序的自由度越大，模型推理性能反而越差。

基于这一发现，团队提出了名为“JustGRPO”的训练方法，即在强化学习训练阶段放弃任意顺序生成，强制模型按照从左到右顺序生成，直接采用主流强化学习算法GRPO进行训练。

论文介绍，此前针对扩散语言模型设计强化学习算法，需要解决生成顺序不固定带来的归因等工程难题，因此催生了d1、ESPO、SPG、GDPO等多种复杂算法。而JustGRPO选择了一种更简洁的思路：训练阶段回归从左到右生成。

实验结果显示，采用JustGRPO训练后，模型推理速度不受影响，推理能力明显提升。在衡量大模型推理能力的GSM8K测试集上，模型准确率达到89.1%，全面超过d1、ESPO、SPG、GDPO等面向扩散模型设计的强化学习算法。