Beihang University（北京航空航天大学）

Modeling LLM Unlearning as an Asymmetric Two-Task Learning Problem

将LLM去学习视为一个非对称的双任务学习问题

Zeguan Xiao, Siqing Li, Yong Wang, Xuetao Wei, Jian Yang, Yun Chen, Guanhua Chen

机构 * Shanghai University of Finance and Economics（上海金融学院） ； Alibaba Group（阿里巴巴集团） ； Southern University of Science and Technology（南方科技大学） ； Beihang University（北航） ； MoE Key Laboratory of Interdisciplinary Research of Computation and Economics（计算与经济交叉学科研究教育部重点实验室） 纠错

AI总结 本文将LLM去学习视为非对称双任务问题，提出优先保留的梯度合成框架，通过分离任务特定梯度提取与冲突感知组合，改进梯度冲突解决方法，实验证明通过重塑梯度几何而非重新平衡损失，有效缓解去学习-保留的权衡。

Comments ACL 2026

METRO: Towards Strategy Induction from Expert Dialogue Transcripts for Non-collaborative Dialogues

METRO：面向非协作对话的专家对话 transcripts 中的策略诱导

Haofu Yang, Jiaji Liu, Chen Huang, Faguo Wu, Wenqiang Lei, See-Kiong Ng

机构 * National University of Singapore（新加坡国立大学） ； Nankai University（南开大学） ； Sichuan University（四川大学） ； School of Artificial Intelligence, Beihang University（北航人工智能学院） ； Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（北京未来区块链与隐私计算高级创新中心） ； Key Laboratory of Mathematics, Informatics and Behavioral Semantics (LMIB)（数学、信息学与行为语义学重点实验室（LMIB）） ； Engineering Research Center of Machine Learning and Industry Intelligence, Ministry of Education, China（教育部机器学习与工业智能工程研究中心，中国） 纠错

AI总结 METRO 通过大规模语言模型从原始 transcripts 自动诱导策略动作和规划逻辑，提出策略森林结构，实验显示其在两个基准上性能优越，具有跨任务迁移能力。

Comments ACL 2026

De-Anonymization at Scale via Tournament-Style Attribution

通过竞赛式归因实现大规模去匿名化

Lirui Zhang, Huishuai Zhang

机构 * Beihang University（北京航空航天大学） ； Peking University（北京大学） 纠错

AI总结 研究利用LLM链接匿名文档与其作者，提出大规模去匿名化方法DAS，通过分组筛选和多数投票提升鲁棒性和精度，实验显示在匿名平台存在现实隐私风险。

Comments 14 pages, ACL 2026 Oral

Beyond Literal Mapping: Benchmarking and Improving Non-Literal Translation Evaluation

超越字面映射：非字面翻译评估的基准测试与改进

Yanzhi Tian, Cunxiang Wang, Zeming Liu, Heyan Huang, Wenbo Yu, Dawei Song, Jie Tang, Yuhang Guo

机构 * School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院） ； Zhipu AI（智谱AI） ； The Knowledge Engineering Group (KEG), Tsinghua University（清华大学知识工程组） ； School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） 纠错

AI总结 本文提出RATE框架，通过反思核心代理动态调用专用子代理，提升非字面翻译评估的准确性，实验显示其在系统和段级相关性上比现有方法提高至少3.2分。

Comments Accepted to ACL 2026 Main Conference

What Deserves Memory: Adaptive Memory Distillation for LLM Agents

哪些信息值得记忆：面向大语言模型代理的自适应记忆蒸馏

Wenquan Ma, Jiayan Nan, Wenlong Wu, Yize Chen

机构 * Fudan University（复旦大学） ； Shanda Group（上海莎anda集团） ； Beihang University（北航） ； Shanghai University of Finance and Economics（上海财经大学） 纠错

AI总结 本文提出NEMORI框架，通过预测性来评估经验的未来效用，实现自适应记忆蒸馏，提升LLM代理的记忆性能与存储效率。

Towards Bridging the Reward-Generation Gap in Direct Alignment Algorithms

朝着弥合直接对齐算法中的奖励生成差距而努力

Zeguan Xiao, Yun Chen, Guanhua Chen, Ke Tang

机构 * Shanghai University of Finance and Economics（上海财经大学） ； Beihang University（北航） ； Southern University of Science and Technology（南方科技大学） 纠错

AI总结 本文探讨了直接对齐算法中奖励生成差距的问题，提出Prefix-Oriented Equal-length Training方法，通过截断响应长度来提升对齐效果，实验显示在AlpacaEval 2上提升显著。

Comments Findings of ACL 2026