Vanilla 在机器学习和软件工程语境中，指不附加任何定制、微调或额外封装的"原味"基础版本——比如未经指令微调的基础模型、不含第三方插件的前端脚手架，或最朴素的标准实现。它并非某个具体产品，而是一种被反复引用的基准参照：任何改进方案都需要先说明自己相对 vanilla 版本提升了多少。近期的相关讨论，多集中在多智能体协作、对齐方法和高效结构设计等方向，vanilla 往往作为对照组出现在论文标题与实验结果中。
Vanilla 基线在多智能体与对齐研究中的位置
2026 年斯坦福的一篇论文提出 DeLM，用去中心化多智能体在编程任务上对比 Claude Code，其报告显示多智能体协作在部分场景下取得优势；该工作隐含的参照正是单模型直接生成的 vanilla 流程，即不引入角色分工与迭代协商的朴素做法。(Stanford 论文 DeLM：去中心化多智能体在编程任务上跑赢 Claude Code)
在文生图方向，arXiv 上的 ORCA 试图对齐文本与视觉表示，修复扩散模型的组合性失败，这类失败通常表现为 vanilla 扩散模型能生成单个物体却难以正确处理"红色立方体在蓝色球体左侧"这类关系约束。(ORCA：对齐文本与视觉表示，修复扩散模型组合性失败)
效率与合规方向的 Vanilla 对照
arXiv 编号 2610.03650v1 的 PoCoFL 提出可验证合规的联邦学习框架，其价值在于把合规性做成可审计的属性，而不是依赖参与方自觉；相对之下，vanilla 联邦学习只关心聚合结果，无法证明各方确实按规则训练。(PoCoFL：可验证合规的联邦学习框架)
DeaMoE 面向快速小批量解码设计高效 MoE 结构，讨论的背景是 vanilla MoE 在批量较小时专家路由开销占比过高。同期的 TGDT 用预测误差筛选可信上下文以改进 Decision Transformer 的长序列表现，本质上也是在 vanilla 序列建模之外增加一道过滤。(DeaMoE：面向快速小批量解码的高效MoE结构)、(TGDT：用预测误差筛选可信上下文，改进 Decision Transformer 长序列表现)
当前焦点与观察点
一个可观察的趋势是，vanilla 一词正从"默认可用"转向"明确不够用"：无论是对齐、合规还是推理效率，新工作都倾向于把朴素基线当作需要被超越的起点，而不是终点。
另一个观察点是概念外溢。Blobatar 这类基于字符串生成确定性头像的小工具，以及用 Claude Opus 5.5 生成纯代码动画奔马的演示，都强调"不依赖外部素材"的简洁实现，这与 vanilla 强调的最小依赖在精神上相近。(Blobatar：基于字符串生成确定性头像的工具)、(Victor M 用 Claude Opus 5.5 生成纯代码动画奔马)
需要留意的是，vanilla 作为对照组的地位可能被滥用：如果基线配置过弱，任何改进都会显得显著。阅读这类论文时，基线是否被公平实现，比提升幅度本身更值得追问。