2025年11月4日-11月9日，EMNLP 2025 将在中国苏州举办。这是一场计算语言学和自然语言领域的顶级国际学术会议，来自全球的顶尖研究者、工程师将齐聚一堂，共同探讨工业界与学术界的最新突破与未来方向。
阿里云大数据 AI 平台将深度参与 EMNLP 2025 ，不仅有多篇论文中选，涵盖知识蒸馏、小模型推理能力提升、RAG 自动化评测 等热门方向，同时将在阿里云展台为大家揭秘 Qwen3 训练端到端加速比提效 3 倍的核心技术、分享 PAI 在大模型训练、推理领域的最新研究成果和技术思考，更有核心研发团队面对面交流的机会！
EMNLP 2025 中选论文
阿里云人工智能平台 PAI 共有 4 篇论文中选 EMNLP 2025，分别为高效知识蒸馏工具包、推理能力提升框架、蒸馏推理与奖励模型及 RAG 自动化评测。
面向大语言模型的高效知识蒸馏工具包EasyDistill EasyDistill: A Comprehensive Toolkit for Effective Knowledge Distillation of Large Language Models
- 10:30-12:00 | Friday,Nov 7 | Session 11,Hall C
- aclanthology.org/2025.emnlp-...
随着大语言模型（Large Language Model，LLM）在自然语言处理领域的广泛应用，其巨大的参数规模和计算资源需求对实际部署带来了不小挑战。针对这一难题，知识蒸馏（Knowledge Distillation, KD）技术通过让小模型学习大模型的知识，实现高效推理和资源节约，成为推动 LLM 工业化落地的重要手段。然而，大语言模型的知识蒸馏过程复杂，涉及黑盒与白盒多种场景，且对数据合成、强化学习等技术需求多样，缺乏统一、易用且功能完善的工具支持，限制了该领域的深入研究和广泛应用。为此，本工作提出了 EasyDistill，面向大语言模型知识蒸馏的综合性工具包。 
EasyDistill 集成了数据合成、监督微调、排序优化以及强化学习方法，覆盖黑盒与白盒两种常见蒸馏范式，并支持面向非推理型与推理型模型的蒸馏策略。此外，EasyDistill 不仅提供工具层面的支持，还开源了一系列性能优异的蒸馏模型（如 DistilQwen）和相关数据集，满足多种实际应用需求。同时，EasyDistill 已成功集成于阿里云人工智能平台 PAI，充分展示了其工业落地能力。通过 EasyDistill，大模型 LLM 知识蒸馏技术得以更广泛普及，为 NLP 社区和产业界带来价值。
面向小型大语言模型的认知对齐推理能力提升框架 Enhancing Reasoning Abilities of Small LLMs with Cognitive Alignment
- 11:00-12:30 | Wednesday,Nov 5 | Session 2,A303
- aclanthology.org/2025.emnlp-...
大型推理模型（Large Reasoning Model，LRM）如 OpenAI 的 o1 和 DeepSeek-R1 通过深度思考大幅提升了复杂任务的推理能力，但其庞大的参数规模和计算资源消耗限制了实际应用。相比之下，小型推理模型虽更轻量，但因认知路径和推理能力与大模型存在显著差异，直接蒸馏大模型的链式思考（Chain-of-Thought, CoT）过程往往效果有限，且依赖大量标注数据。针对这一挑战，本工作提出了"评判-再思考-验证"（Critique-Rethink-Verify, CRV）算法，旨在训练参数量小却能力强大的推理模型。CRV 系统通过多个大语言模型智能体协同工作：首先根据小模型的认知能力对CoT推理过程进行评判，随后基于评判反馈对推理进行再思考和精炼，最终验证优化结果的正确性和有效性。基于 CRV，进一步提出了认知偏好优化（Cognitive Preference Optimization, CogPO）算法，动态调整训练策略，使小模型的推理过程与其自身认知能力相适配，从而显著提升推理性能。
该框架在 AIME 2024、MATH-500、GPQA-Diamond 及 LiveCodeBench 等复杂推理基准上进行了系统评测，结果表明，基于 CRV+CogPO 训练的小型推理模型明显超越传统蒸馏和微调方法，展现出强劲的推理能力。综上所述，本工作贡献包括：
- 首次提出多智能体协同的 CRV 系统，针对小模型定制推理路径改进策略；
- 设计 CogPO 算法，实现对认知能力的持续对齐优化；
- 通过广泛基准验证，证明该框架对小推理模型推理性能的显著提升。
本研究为小模型推理能力优化提供了新的思路，有助于推动轻量级推理模型在实际应用中的广泛落地和高效运行。
构建面向工业应用的蒸馏推理与奖励模型
Thinking with DistilQwen: A Tale of Four Distilled Reasoning and Reward Model Series
- 13:00-14:00 | Wednesday,Nov 5 | Session 3,Hall C
- aclanthology.org/2025.emnlp-...
随着大语言模型（LLM）的不断发展，如何在保障推理性能的同时，实现高效快速的推理，已经成为支持实际业务应用的关键需求。为满足这一需求，知识蒸馏技术日益受到关注，旨在通过将大模型的知识压缩到小型模型中，实现推理速度与准确性的最佳平衡。本工作基于 Qwen 系列模型，推出了全面扩展的 DistilQwen 蒸馏模型家族，包含四个针对工业场景设计的特色模型系列：
（1）慢思考模型 DistilQwen2.5-R1：优先保证推理的准确性，适用于对精度要求极高的复杂任务；
（2）两种自适应思考模型 DistilQwen-ThoughtX 和 DistilQwen-ThoughtY：根据输入任务动态调整推理长度与深度，在多样化场景中实现更高效率与表现；
（3）蒸馏奖励模型：支持基于上述模型蒸馏知识的强化学习，进一步提升推理能力。为了构建上述模型，本工作构建了完整的数据处理和模型训练工作流，如下所示。 
通过大规模多样化基准测试，DistilQwen 系列展现了强劲的推理性能和高效的推理速度，充分满足工业界对模型实用性的需求。该系列模型及其训练方案均已纳入开源工具包 EasyDistill，推动了高性能小推理模型的普及与应用，为真实业务场景中的智能推理提供了坚实支持。
面向适用性与可扩展性的RAG评测数据自动生成框架
AutoEvolve: Automatically Evolving Queries for Applicable and Scalable Retrieval-Augmented Generation Benchmarking
- 13:00-14:00 | Wednesday,Nov 5 | Session 3,Hall C
- aclanthology.org/2025.findin...
论文提出并实现了一种创新的"查询自动演化框架"（AutoEvolve），旨在解决自动化构建检索增强生成（RAG）系统评测基准中适用性弱 与扩展性弱的核心难题。该框架以语料库无关的方式动态生成并迭代提升问题难度，为构建更具挑战性与可扩展性的 RAG 评测体系提供了新思路。
随着大语言模型的普及，RAG 作为扩展模型知识、减少幻觉的重要技术备受关注。然而，现有自动化评测方法依赖特定语料库元数据（如维基百科链接结构），难以迁移至其他领域，且生成问题难度固定，无法动态适应系统进步。阿里云PAI团队与南京大学LAMDA实验室联合提出 AutoEvolve 框架，提供双重创新方案：针对"适用性弱"，构建通用的"实体-文档关系图谱"，通过文档间共现实体建立联系，克服语料依赖；针对"可扩展性弱"，设计查询插入、实体判断、拼接与信息整合等演化算子，并引入难度引导指标（RGD），实现从简单查询到需跨文档整合的复杂问题的动态演化。实验结果显示，在 Booksum-E 和 MultiHopRAG-E 数据集上，演化问题使 BGE-M3 检索器 HIT@6 分别下降 21.4% 与 17.3% ，GPT-4o 模型的 Recall-kp 指标下降12.4% ，验证了框架在提升评测难度和鲁棒性方面的有效性。
AutoEvolve 为 RAG 系统评测的自动化与智能化开辟了新方向。未来可进一步优化查询难度量化指标与演化类型，构建能自适应评估系统能力边界的"活"评测基准，助力 RAG 技术持续发展与落地。
02 交流活动 阿里云官方展台 11月5日-11月9日期间，我们将在阿里云展台与大家共同探讨自然语言处理方面的研究创新，同时为大家揭秘 Qwen3 训练端到端加速比提效 3 倍的核心技术， 以及分享人工智能平台 PAI 在训练、推理领域的最新研究成果和技术思考，期待您前往交流、体验！
- 时间：11月5日-11月9日，会议期间全天
- 地点：苏州国际博览中心-C3 展厅-21号展位
专场交流活动 11月5日晚上，阿里云将在中国计算机学会（CCF）苏州业务总部举办交流晚宴，诚挚邀请 EMNLP 2025 参会人员到场，与核心研发团队面对面交流，机会难得不容错过！
- 时间：11月5日 17:30-20:30
- 地点：CCF业务总部&学术交流中心 - 三楼多功能厅
- 详细地址：苏州市相城区高铁新城相融路600号中国计算机学会（CCF）苏州业务总部
中选论文交流分享
