ACL

Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework

Paper Circle：一个开源的多智能体研究发现与分析框架

Komal Kumar, Aman Chadha, Salman Khan, Fahad Shahbaz Khan, Hisham Cholakkal

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； AWS Generative AI Innovation Center, Amazon Web Services（亚马逊云科技生成式AI创新中心） 纠错

AI总结 本文提出Paper Circle，一个开源多智能体研究发现与分析框架，通过多智能体系统降低学术文献查找、评估和理解的难度，结合发现与分析流程，生成结构化输出。

Comments 19 pages, 7 figures, 8 tables, ACL main (Oral)

The Model Agreed, But Didn't Learn: Diagnosing Surface Compliance in Large Language Models

模型已达成一致，但未学习：诊断大语言模型中的表面合规性

Xiaojie Gu, Ziying Huang, Weicong Hong, Jian Xie, Renze Lou, Kai Zhang

机构 * Independent Researcher（独立研究员） ； Cornell Tech（康奈尔科技校区） ； The Ohio State University（俄亥俄州立大学） ； The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

AI总结 研究通过引入诊断框架，揭示大语言模型在记忆修改中存在表面合规现象，指出编辑方法可能仅模仿输出而非改变内部信念，导致认知不稳定和记忆不可逆。

Comments ACL 2026 Findings

QiMeng-PRepair: Precise Code Repair via Edit-Aware Reward Optimization

QiMeng-PRepair: 通过编辑感知奖励优化实现精确代码修复

Changxin Ke, Rui Zhang, Jiaming Guo, Yuanbo Wen, Li Ding, Shuo Wang, Xuyuan Zhu, Xiong Peng, Di Huang, Zidong Du, Xing Hu, Qi Guo, Yunji Chen

机构 * State Key Lab of Processors, Institute of Computing Technology, CAS（中国科学院计算技术研究所处理器芯片国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Microelectronics, CAS（中国科学院微电子研究所） 纠错

AI总结 本文提出PRepair框架，通过Self-Breaking和Self-Repairing组件减少过度编辑，提升代码修复精度，实验显示在fix_1@1指标下精度提升31.4%。

Comments Accepted to ACL 2026 main conference

BOSCH: Black-Box Binary Optimization for Short-Context Attention-Head Selection in LLMs

BOSCH: 用于LLMs中短上下文注意力头选择的黑盒二进制优化

Abbas Ghaddar, Ivan Kobyzev, Boxing Chen, Yufei Cui

机构 * Huawei Noah’s Ark Lab, Montreal Research Center, Canada（华为诺亚方舟实验室蒙特利尔研究中心） 纠错

AI总结 BOSCH通过黑盒二进制优化方法，针对LLMs中的短上下文注意力头选择问题，提出了一种无需训练的解决方案，通过大规模邻域搜索分解为三个子问题，优于现有方法。

Comments ACL 2026 (Main Conference)

Context-Value-Action Architecture for Value-Driven Large Language Model Agents

基于价值的大型语言模型代理的上下文-价值-行动架构

TianZe Zhang, Sirui Sun, Yuhang Xie, Xin Zhang, Zhiqiang Wu, Guojie Song

机构 * State Key Laboratory of General Artificial Intelligence, School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院通用人工智能国家重点实验室） ； Yuanpei College, Peking University（北京大学元培学院） ； School of Psychological and Cognitive Sciences, Peking University（北京大学心理与认知科学学院） ； Key Laboratory of Machine Perception (Ministry of Education), Peking University（北京大学机器感知重点实验室（教育部）） ； PKU-Wuhan Institute for Artificial Intelligence（北大武汉人工智能研究院） 纠错

AI总结 本文提出CVA架构，通过价值验证器缓解价值极化，提升代理行为的准确性和可解释性。

Comments Accepted to Findings of the Association for Computational Linguistics: ACL 2026

"I See What You Did There": Can Large Vision-Language Models Understand Multimodal Puns?

我看出你在那儿：大型视觉-语言模型能否理解多模态双关语？

Naen Xu, Jiayi Sheng, Changjiang Li, Chunyi Zhou, Yuyuan Li, Tianyu Du, Jun Wang, Zhihui Fu, Jinbao Li, Shouling Ji

机构 * Zhejiang University（浙江大学） ； Beihang University（北京航空航天大学） ； Palo Alto Networks ； Hangzhou Dianzi University（杭州电子科技大学） ； Ningbo Global Innovation Center, Zhejiang University（浙江大学宁波全球创新中心） ； OPPO Research Institute（OPPO研究院） ； Qilu University of Technology（齐鲁工业大学） 纠错

AI总结 本文研究了大型视觉-语言模型理解多模态双关语的能力，提出多模态双关语生成流程和MultiPun数据集，通过评估发现模型在区分真实双关语与干扰项上表现不足，并提出提示级和模型级策略提升理解性能。

Comments ACL 2026 Main

AICA-Bench: Holistically Examining the Capabilities of VLMs in Affective Image Content Analysis

AICA-Bench：全面评估VLMs在情感图像内容分析中的能力

Dong She, Xianrong Yao, Liqun Chen, Jinghe Yu, Yang Gao, Zhanpeng Jin

AI总结 本文提出AICA-Bench基准，通过情感理解、推理和生成三个任务评估VLMs在情感图像分析中的能力，发现其在强度校准和描述深度方面存在不足，并提出GAT提示方法提升性能。

Comments Accepted by Findings of ACL 2026

Joint Knowledge Base Completion and Question Answering by Combining Large Language Models and Small Language Models

通过结合大语言模型和小语言模型实现知识库补全与问答的联合处理

Yinan Liu, Dongying Lin, Sigang Luo, Xiaochun Yang, Bin Wang

机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院，沈阳，中国） ； National Frontiers Science Center for Industrial Intelligence and Systems optimization, Northeastern University, Shenyang, China（东北大学工业智能与系统优化国家级前沿科学中心，沈阳，中国） 纠错

AI总结 本文提出JCQL框架，结合大语言模型与小语言模型，通过迭代增强知识库补全与问答任务，提升两者性能。

Comments 20 pages, 11 figures

Journal ref ACL 2026

AgentGL: Towards Agentic Graph Learning with LLMs via Reinforcement Learning

AgentGL: 通过强化学习实现基于LLM的代理图学习

Yuanfu Sun, Kang Li, Dongzhe Fan, Jiajin Liu, Qiaoyu Tan

机构 * New York University Shanghai（上海纽约大学） ； New York University（纽约大学） ； Tsinghua University（清华大学） 纠错

AI总结 AgentGL通过强化学习框架实现图学习，结合图导航与LLM推理，提升复杂关系环境下的自主导航与推理能力，优于现有基线方法。

Comments ACL 2026 Main Conference

StressTest: Can YOUR Speech LM Handle the Stress?

StressTest: 你的语音语言模型能承受压力测试吗？

Iddo Yosha, Gallil Maimon, Yossi Adi

AI总结 本文提出StressTest基准，评估语音模型在应力模式下区分语音含义的能力，发现现有模型表现不佳，并提出StresSLM模型在压力推理和检测上优于现有模型。

Comments Accepted to ACL 2026

Controlling Distributional Bias in Multi-Round LLM Generation via KL-Optimized Fine-Tuning

通过KL优化微调控制多轮LLM生成的分布偏倚

Yanbei Jiang, Amr Keleg, Ryandito Diandaru, Jey Han Lau, Lea Frermann, Biaoyan Fang, Fajri Koto

机构 * University of Melbourne（墨尔本大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Oracle（甲骨文公司） 纠错

AI总结 本文提出通过KL优化微调结合语义对齐的方法，解决多轮LLM生成中分布控制问题，实验显示其在属性生成任务中表现优异。

Comments Accepted at ACL Main Conference

LLM Reasoning as Trajectories: Step-Specific Representation Geometry and Correctness Signals

大语言模型推理作为轨迹：步骤特定的表示几何与正确性信号

Lihao Sun, Hang Dong, Bo Qiao, Qingwei Lin, Dongmei Zhang, Saravan Rajmohan

机构 * Microsoft（微软） 纠错

AI总结 研究通过表示空间结构揭示大语言模型的推理过程，发现推理步骤在不同层深度下逐渐分离，晚期阶段正确与错误解的分歧可预测最终答案正确性，提出轨迹引导框架控制推理。

Comments ACL 2026 (Main)

FastDiSS: Few-step Match Many-step Diffusion Language Model on Sequence-to-Sequence Generation--Full Version

FastDiSS: 少步匹配多步扩散语言模型在序列到序列生成中的应用——完整版本

Dat Nguyen-Cong, Tung Kieu, Hoang Thanh-Tung

机构 * FPT Software AI Center, FPT Corporation（FPT软件人工智能中心，FPT公司） ； Department of Computer Science, Aalborg University（奥尔堡大学计算机科学系） ； Quantum AI and Cyber Security Institute, FPT Corporation（FPT公司量子人工智能与网络安全研究所） 纠错

AI总结 本文提出FastDiSS模型，通过改进自条件机制和引入噪声感知机制，提升少步采样下的生成质量，并实现400倍更快的推理速度。

Comments camera-ready version, accepted by ACL Findings (ACL 2026)

Learning to Edit Knowledge via Instruction-based Chain-of-Thought Prompting

通过基于指令的思考链提示学习知识编辑

Jinhu Fu, Yan Bai, Longzhu He, Yihang Lou, Yanxiao Zhao, Li Sun, Sen Su

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Peking University（北京大学） ； Huawei Technologies Ltd.（华为技术有限公司） ； Chongqing University of Posts and Telecommunications（重庆邮电大学） 纠错

AI总结 本文提出CoT2Edit方法，通过思考链推理提升大语言模型的知识编辑能力，解决泛化差和范围窄的问题，实验显示在六个场景中表现优异。

Comments Accepted by ACL 2026 main conference

UniCreative: Unifying Long-form Logic and Short-form Sparkle via Reference-Free Reinforcement Learning

UniCreative：通过无参考强化学习统一长格式逻辑与短格式闪耀

Xiaolong Wei, Zerun Zhu, Simin Niu, Xingyu Zhang, Peiying Yu, Changxuan Xiao, Yuchen Li, Jicheng Yang, Zhejun Zhao, Chong Meng, Long Xia, Daiting Shi

机构 * Beihang University（北京航空航天大学） ； Baidu Inc.（百度公司） ； Renmin University of China（中国人民大学） 纠错

AI总结 本文提出UniCreative框架，通过自适应约束奖励模型和ACPO算法，实现无需监督细调的长短期创作统一，提升多任务表现并展现模型的元认知能力。

Comments Accepted to Findings of ACL 2026

OmniDiagram: Advancing Unified Diagram Code Generation via Visual Interrogation Reward

OmniDiagram：通过视觉 interrogation 奖励推进统一图代码生成

Haoyue Yang, Xuanle Zhao, Xuexin Liu, Feibang Jiang, Yao Zhu

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出OmniDiagram统一框架，结合多种图代码语言和任务定义，引入视觉反馈策略Viva，通过生成方法奖励视觉结构，无需人工标注数据，实验表明其在图代码生成基准上达到新状态。

Comments Accepted to ACL 2026 Findings

AttnDiff: Attention-based Differential Fingerprinting for Large Language Models

AttnDiff：基于注意力的差分指纹法用于大语言模型

Haobo Zhang, Zhenhua Xu, Junxian Li, Shangfeng Sheng, Dezhang Kong, Meng Han

机构 * Zhejiang University of Technology（浙江工业大学） ； Zhejiang University（浙江大学） ； Binjiang Institute of Zhejiang University（浙江大学滨江研究院） ； Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出AttnDiff，一种高效白盒框架，通过内在信息路由行为提取模型指纹，用于验证大语言模型的衍生关系，实现高相似度区分相关衍生模型与无关模型家族。

Comments Accepted at ACL2026 Main

Don't Act Blindly: Robust GUI Automation via Action-Effect Verification and Self-Correction

不要盲目行动：通过动作-效果验证和自我修正实现鲁棒的GUI自动化

Yuzhe Zhang, Xianwei Xue, Xingyong Wu, Mengke Chen, Chen Liu, Xinran He, Run Shao, Feiran Liu, Huanmin Xu, Qiutong Pan, Haiwei Wang

机构 * Beijing University of Technology（北京工业大学） ； Baidu Inc.（百度公司） 纠错

AI总结 本文提出VeriGUI框架，通过动作-效果验证和自我修正机制，解决GUI自动化中环境噪声导致的失败问题，提升恢复性能。

Comments ACL 2026 Main Conference

Content Fuzzing for Escaping Information Cocoons on Digital Social Media

内容模糊化：突破数字社交媒体信息茧房

Yifeng He, Ziye Tang, Hao Chen

机构 * University of California, Davis（加州大学戴维斯分校） ； University of Hong Kong（香港大学） 纠错

AI总结 研究通过ContentFuzz框架，从创作者角度出发，利用模糊化技术改变内容的机器推断立场标签，以突破信息茧房限制，促进多元观点的传播。

Comments accepted to findings of ACL 2026

Learning What Matters: Dynamic Dimension Selection and Aggregation for Interpretable Vision-Language Reward Modeling

学习什么重要：可解释视觉语言奖励建模的动态维度选择与聚合

Qiyuan Chen, Hongsen Huang, Jiahe Chen, Qian Shao, Jintai Chen, Hongxia Xu, Renjie Hua, Chuan Ren, Jian Wu

机构 * Zhejiang University（浙江大学） ； Soochow Securities Co.,Ltd.（东吴证券股份有限公司） ； HKUST(GZ)（香港科技大学（广州）） ； Nanjing University（南京大学） 纠错

AI总结 本文提出VL-MDR框架，通过动态分解评价为细粒度可解释维度，提升视觉语言奖励建模的可解释性与效率，实验显示其在基准测试中优于现有模型，并有效缓解视觉幻觉。

Comments ACL 2026 Main

Your LLM Agent Can Leak Your Data: Data Exfiltration via Backdoored Tool Use

你的LLM代理可能泄露你的数据：通过植入工具使用的数据外泄

Wuyang Zhang, Shichao Pei

机构 * University of Massachusetts Boston（马萨诸塞大学波士顿分校） 纠错

AI总结 研究揭示了通过植入工具使用的LLM代理进行数据外泄的风险，提出Back-Reveal攻击方法，展示多轮交互加剧信息泄露，强调需加强对抗外泄后门的防御。

Comments The 64th Annual Meeting of the Association for Computational Linguistics

Multi-Drafter Speculative Decoding with Alignment Feedback

多草案生成与对齐反馈

Taehyeon Kim, Hojung Jung, Se-Young Yun

机构 * LG AI Research（LG AI研究院） ； KAIST AI（韩国科学技术院人工智能学院） 纠错

AI总结 本文提出MetaSD框架，通过整合多个草案生成器并利用对齐反馈，提升大规模语言模型推理效率和生成质量。

Comments ACL 2026 Findings

Towards Effective In-context Cross-domain Knowledge Transfer via Domain-invariant-neurons-based Retrieval

通过领域不变神经元的检索实现有效的跨领域知识转移

Jianzhi Yan, Zhiming Li, Le Liu, Zike Yuan, Shiwei Chen, Youcheng Pan, Buzhou Tang, Yang Xiang, Danny Dongning Sun

机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Pengcheng Laboratory, Shenzhen, China（鹏城实验室） 纠错

AI总结 本文提出领域不变神经元检索方法，用于提升大语言模型在跨领域推理中的性能，实验表明方法在数学和逻辑推理迁移中平均提升1.8。

Comments ACL 2026 Findings

ETR: Entropy Trend Reward for Efficient Chain-of-Thought Reasoning

ETR：熵趋势奖励用于高效推理链推理

Xuan Xiong, Huan Liu, Li Gu, Zhixiang Chi, Yue Qiu, Yuanhao Yu, Yang Wang

机构 * University of Toronto（多伦多大学） ； McMaster University（麦克马斯特大学） ； Concordia University（康考迪亚大学） ； University of Ottawa（渥太华大学） 纠错

AI总结 本文提出ETR，通过轨迹感知的目标促进逐步不确定性降低，提升推理效率与准确性，实验表明在多个基准上显著提升性能。

Comments ACL 2026 (Main)

Anchored Cyclic Generation: A Novel Paradigm for Long-Sequence Symbolic Music Generation

锚定循环生成：一种长序列符号音乐生成的新范式

Boyu Cao, Lekai Qian, Dehan Li, Haoyu Gu, Mingda Xu, Qi Liu

机构 * South China University of Technology, School of Future Technology（华南理工大学未来技术学院） 纠错

AI总结 本文提出锚定循环生成范式，通过已识别音乐的锚点特征指导自回归生成，减少误差累积，提升长序列符号音乐生成的质量与结构完整性。

Comments Accepted at ACL 2026 Findings

Memory Dial: A Training Framework for Controllable Memorization in Language Models

Memory Dial: 一种用于语言模型可控记忆的训练框架

Xiangbo Zhang, Ali Emami

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学） 纠错

AI总结 Memory Dial通过调节记忆压力参数α，控制语言模型的记忆行为，实验显示α能有效调节记忆压力，大模型更敏感，常见序列更易记忆。

Comments Accepted to ACL Findings 2026

CLaRE-ty Amid Chaos: Quantifying Representational Entanglement to Predict Ripple Effects in LLM Editing

在混乱中保持清晰：量化表征纠缠以预测LLM编辑中的涟漪效应

Manit Baser, Alperen Yildiz, Dinil Mon Divakaran, Mohan Gurusamy

机构 * National University of Singapore（新加坡国立大学） ； A*STAR Institute for Infocomm Research (A*STAR I2 R)（新加坡科技研究局资讯通信研究院） 纠错

AI总结 本文提出CLaRE技术，通过量化事实间的纠缠关系，识别LLM编辑中的潜在涟漪效应，提升模型编辑的稳定性和效率。

Comments Accepted to ACL 2026 Findings

Frame of Reference: Addressing the Challenges of Common Ground Representation in Situational Dialogs

参考框架：解决情境对话中共同地面表示的挑战

Biswesh Mohapatra, Théo Charlot, Giovanni Duca, Mayank Palan, Laurent Romary, Justine Cassell

机构 * Inria（法国国家信息与自动化研究所） ； Nantes Université（南特大学） ； University of Trento（特伦托大学） ； VJTI Mumbai（孟买维杰扬特理工学院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文研究情境对话中共同地面表示的挑战，通过动态共享环境中的关系参考建立共同地面，并提出基于强化学习改进表示方法的策略。

Comments Work accepted at ACL 2026 Findings

Can We Predict Before Executing Machine Learning Agents?

在执行机器学习代理之前，我们能否进行预测？

Jingsheng Zheng, Jintian Zhang, Yujie Luo, Yuren Mao, Yunjun Gao, Lun Du, Huajun Chen, Ningyu Zhang

机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； Zhejiang University - Ant Group Joint Laboratory of Knowledge Graph（浙江大学-蚂蚁集团知识图谱联合实验室） 纠错

AI总结 本文提出通过内部化执行先验来预测数据驱动的解决方案偏好，利用预验证的数据分析报告提升LLM的预测能力，并在FOREAGENT中实现预测-验证循环，加速收敛并超越基于执行的基线。

Comments ACL 2026

Illusions of Confidence? Diagnosing LLM Truthfulness via Neighborhood Consistency

自信的幻觉？通过邻域一致性诊断LLM的真实性

Haoming Xu, Ningyuan Zhao, Yunzhi Yao, Weihong Xu, Hongru Wang, Xinle Deng, Shumin Deng, Jeff Z. Pan, Huajun Chen, Ningyu Zhang

机构 * Zhejiang University（浙江大学） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 本文提出邻域一致性信念(NCB)来评估LLM在上下文干扰下的信念鲁棒性，通过结构化测量提升模型在真实场景中的可靠性，并引入结构感知训练(SAT)减少知识脆性。

Comments ACL 2026