ICML（国际机器学习大会）与ACL（国际计算语言学年会）分别是机器学习与自然语言处理领域历史最悠久、影响力最大的顶级学术会议，每年录用的论文代表着相关方向的前沿突破。今年ICML投稿量翻倍，Spotlight入选比例仅2.2%；ACL主会论文接收率仅19%。
千问C端应用团队入选的四篇论文均从实际应用痛点出发，覆盖推理加速、幻觉治理、架构优化与结构化推理四个方向。
大模型高并发时的“卡顿”，本质是算力没花在刀刃上。入选ICML Spotlight的ECHO框架，独创“稀疏门控”与“弹性预算调度”机制，把投机解码变成一道“算力怎么花最划算”的调度题——系统不再盲目验证所有预测，而是精准瞄准模型深度的“甜蜜点”进行关键核验，并根据实时置信度动态向高确定性任务倾斜算力。在Qwen3-235B等工业级模型实测中，ECHO端到端吞吐比EAGLE-3等现有最优方法提升最高36%。
比“答得快”更难的，是“答得准”。入选ACL主会的MARCH框架，专攻大模型的“幻觉”难题。传统核查容易“顺着错误自圆其说”，MARCH引入“刻意的信息不对称”机制，构建解答者、提案者与审查员的三位一体流水线，强制审查员在“信息隔离舱”内依据客观文档独立“盲审”。该机制驱使大模型必须在每个校验环节拿出真凭实据，彻底切断了自我幻觉确认的偏误循环。同时配合多智能体强化学习的交叉惩罚机制，让模型能力在多Agent交互过程中自我进化。在金融研报、合同审查等场景中，MARCH为大模型自动筑起事实防线，确保每条结论都链接到底层数据支撑，有效帮助用户阻断微小幻觉引发的“错误雪崩”。
模型想“稳”就容易“笨”，想“灵”又容易“飘”。入选ICML的SiameseNorm架构，直击大模型“稳定性与表达力难以兼得”的痛点。它采用参数共享的双流设计，一条流负责稳住梯度回传，另一条流负责释放表达潜能，在不增加参数负担的前提下，让模型获得更强的复杂逻辑推导能力。
而面对没有标准答案的复杂任务，大模型又容易“想得多却想不精”。入选ACL Findings的RiT框架，给模型的“内心思考”装上了质量把控器。通过细粒度评价准则（Rubric）和门控融合奖励机制，引导AI在处理深度行业分析、营销推演等任务时，严格遵循专业思维框架步步推演，而不是在黑盒里随意发散，确保最终交付成果具备极高的逻辑密度与专业可信度。
这四项成果覆盖了用户体验上的“最后一公里”，也触及了制约模型能力上限的底层机制。随着四篇论文代码的陆续开源，相关技术将为行业提升AI可靠性、实用性提供参考。