NeurIPS 2025 官方博客发布了2025年最佳论文奖（Best Paper Awards）公告。今年共有 7 篇获奖论文，其中包括 4 篇最佳论文（Best Papers，含一篇数据集与基准测试赛道）和 3 篇亚军论文（Runner-ups）。这些论文涵盖了扩散模型理论、自监督强化学习、大语言模型（LLM）的注意力机制、推理能力、在线学习理论、神经缩放定律（Neural Scaling Laws）以及语言模型多样性的基准测试等前沿领域。

原文链接：blog.neurips.cc

根据网页内容，以下四篇论文被详细列出并附带了评选委员会的评论，推测它们构成了今年的最佳论文阵容（包括主赛道和数据集赛道）：

• Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)
  中文译名：人造蜂巢思维：语言模型的开放式同质化（及其他）
  赛道：数据集与基准测试（Datasets & Benchmark Track）
  核心内容：论文提出了一个名为 Infinity-Chat 的大规模数据集，包含2.6万个真实世界的开放式查询。研究发现，大语言模型（LLM）在生成内容时存在严重的“人造蜂巢思维”（Artificial Hivemind）效应，即模型内部的重复性以及不同模型之间输出的惊人相似性。这种同质化趋势引发了对人类思想被长期单一化影响的担忧。
  委员会评价：该工作对理解现代语言模型的多样性、多元化和社会影响做出了及时且实质性的贡献，揭示了当前奖励模型和自动化评审与人类偏好之间的校准偏差。
• Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free
  中文译名：大语言模型的门控注意力：非线性、稀疏性与无注意力汇（Attention-Sink-Free）
  核心内容：研究团队在 Scaled Dot-Product Attention (SDPA) 后引入了一种简单的特定头部的 Sigmoid 门控机制。通过在 15B MoE 模型和 1.7B 稠密模型上的大量实验，证明这种改进能持续提升性能、训练稳定性和上下文扩展能力，并解决了“注意力汇”（attention sink）现象。
  委员会评价：该发现得到了大规模实验的支持，改进方法简单易行且效果显著，预计将被广泛采用。作者分享工业级算力下的研究成果也受到高度赞扬。
• 1000 Layer Networks for Self-Supervised RL: Scaling Depth Can Enable New Goal-Reaching Capabilities
  中文译名：用于自监督强化学习的 1000 层网络：扩展深度可开启新的目标达成能力
  核心内容：论文挑战了强化学习（RL）只能用于浅层网络的传统观点。作者展示了通过自监督和对比强化学习，可以将网络深度扩展到 1000 层以上。在没有外部奖励或演示的情况下，更深的网络不仅提高了成功率，还涌现出了更复杂的行为能力。
  委员会评价：该工作提出了一种新颖且易于实施的 RL 范式，证明了 RL 可以随着网络深度的增加而有效扩展，打破了以往认为 RL 信号不足以指导极深网络的假设。
• Why Diffusion Models Don’t Memorize: The Role of Implicit Dynamical Regularization in Training
  中文译名：为什么扩散模型不会死记硬背：训练中隐式动态正则化的作用
  核心内容：研究探讨了扩散模型为何能生成新颖内容而不是简单记住训练数据。作者发现了两个不同的时间尺度：早期生成高质量样本的时间，以及后期出现记忆化的时间。研究表明，存在一种隐式动态正则化机制，使得模型在过参数化设置下也能避免死记硬背，保持泛化能力。
  委员会评价：该论文从理论和实验两方面深入剖析了生成模型的泛化机制，具有重要的理论价值。