ACL

MINED: Probing and Updating with Multimodal Time-Sensitive Knowledge for Large Multimodal Models

MINED：利用多模态时间敏感知识进行探测与更新以提升大多模态模型

Kailin Jiang, Ning Jiang, Yuntao Du, Yuchen Ren, Yuchen Li, Yifan Gao, Jinhe Bi, Yunpu Ma, Bin Li, Lei Liu, Qing Li

机构 * University of Science and Technology of China（中国科学技术大学） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，北京通用人工智能研究院） ； Northeast Forestry University（东北林业大学） ； C-FAIR&school of software, Shandong University（山东大学软件学院C-FAIR） ； State Key Lab. for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室） ； The University of Sydney（悉尼大学） ； Anhui Polytechnic University（安徽工程大学） ； Ludwig Maximilian University of Munich（慕尼黑大学） 纠错

AI总结 本文提出MINED基准，评估LMMs在时间敏感知识上的认知、意识、可信度等六个维度，发现Gemini-2.5-Pro在时间理解上表现最佳，而多数开源模型仍缺乏此能力，且在体育知识上表现最差。

Comments ACL 2026, Project Page: https://mined-lmm.github.io/

Idiom Understanding as a Tool to Measure the Dialect Gap

成语理解作为衡量方言差距的工具

David Beauchemin, Yan Tremblay, Mohamed Amine Youssef, Richard Khoury

机构 * Group for Research in Artificial Intelligence of Laval University (GRAIL)（拉瓦尔大学人工智能研究组（GRAIL）） ； Université Laval（拉瓦尔大学） 纠错

AI总结 本文提出结合成语理解和方言理解任务，构建三个新的法语方言基准数据集，发现模型在魁北克成语上表现显著逊色，证实了基准测试在量化方言差距中的有效性。

Comments Accepted to ACL 2026 findings

Enhancing Hallucination Detection via Future Context

通过未来上下文增强幻觉检测

Joosung Lee, Cheonbok Park, Hwiyeol Jo, Jeonghoon Kim, Joonsuk Park, Kang Min Yoo

机构 * NAVER CLOUD（NAVER云） ； NAVER AI Lab（NAVER人工智能实验室） ； KAIST（韩国科学技术院） ； University of Richmond（里士满大学） 纠错

AI总结 本文提出通过采样未来上下文来增强幻觉检测，结合多种采样方法提升检测性能。

Comments Findings of ACL 2026

MultiFileTest: A Multi-File-Level LLM Unit Test Generation Benchmark and Impact of Error Fixing Mechanisms

MultiFileTest：一个多文件级LLM单元测试生成基准及错误修复机制的影响

Yibo Wang, Congying Xia, Wenting Zhao, Jiangshu Du, Chunyu Miao, Zhongfen Deng, Philip S. Yu, Chen Xing

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Salesforce Research（Salesforce研究院） ； Scale AI 纠错

AI总结 本文提出MultiFileTest基准，评估多文件级代码的单元测试生成性能，发现前沿LLM表现一般，且存在执行及级联错误，进一步评估了错误修复机制的效果。

Comments Published at ACL 2026 (Findings)