ACL

PIArena: A Platform for Prompt Injection Evaluation

PIArena：一个用于提示注入评估的平台

Runpeng Geng, Chenlong Yin, Yanting Wang, Ying Chen, Jinyuan Jia

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

AI总结 本文提出PIArena平台，用于评估提示注入攻击的防御能力，揭示现有防御的局限性，包括任务泛化能力差、易受自适应攻击等。

Comments To appear in ACL 2026. The code is available at https://github.com/sleeepeer/PIArena

Verify Before You Commit: Towards Faithful Reasoning in LLM Agents via Self-Auditing

在提交前验证：通过自我审计实现LLM代理中的忠实推理

Wenhao Yuan, Chenchen Lin, Jian Chen, Jinfeng Xu, Xuehe Wang, Edith Cheuk Han Ngai

机构 * The University of Hong Kong（香港大学） ； Sun Yat-sen University（中山大学） 纠错

AI总结 本文提出SAVeR框架，通过在行动承诺前验证内部信念状态，提升LLM代理的推理忠实性，实验表明其在保持任务性能的同时提升了推理可靠性。

Comments Accepted by ACL2026 Main Conference

Behavior-Aware Item Modeling via Dynamic Procedural Solution Representations for Knowledge Tracing

基于动态程序性解决方案表示的行为感知项目建模

Jun Seo, Sangwon Ryu, Heejin Do, Hyounghun Kim, Gary Geunbae Lee

机构 * GSAI, POSTECH（浦项科技大学人工智能研究生院） ； CSE, POSTECH（浦项科技大学计算机科学与工程系） ； ETH Zurich, ETH AI Center（苏黎世联邦理工学院人工智能中心） 纠错

AI总结 本文提出BAIM框架，通过整合动态程序性解决方案信息增强项目表示，利用推理语言模型分解问题解决阶段，提升知识追踪的预测性能。

Comments ACL Findings 2026

ModeX: Evaluator-Free Best-of-N Selection for Open-Ended Generation

ModeX：无需评估器的开放生成最佳-N选择

Hyeong Kyu Choi, Sharon Li

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 ModeX提出一种无需外部评估器的最佳-N选择方法，通过识别主导语义共识的模态输出，提升开放生成任务的鲁棒性与效率。

Comments ACL 2026 Main

Mina: A Multilingual LLM-Powered Legal Assistant Agent for Bangladesh for Empowering Access to Justice

Mina：一种多语言大语言模型驱动的法律助理代理，用于孟加拉国，以促进获得正义

Azmine Toushik Wasi, Wahid Faisal, Mst Rafia Islam, Md Rizwan Parvez

AI总结 Mina通过多语言嵌入和基于RAG的工具链框架，为孟加拉国提供多语言法律助理服务，实现法律文书、引文和通俗解释的生成，经评估在法律考试中表现优异，成本显著降低。

Comments Accepted to ACL 2026 Findings

arXiv2Table: Toward Realistic Benchmarking and Evaluation for LLM-Based Literature-Review Table Generation

arXiv2Table：面向基于大语言模型的文献综述表生成的现实基准测试与评估

Weiqi Wang, Jiefu Ou, Yangqiu Song, Benjamin Van Durme, Daniel Khashabi

机构 * Center for Speech and Language Processing, Johns Hopkins University（约翰霍普金斯大学语音与语言处理中心） ； Department of Computer Science and Engineering, HKUST（香港科技大学计算机科学与工程系） 纠错

AI总结 本文提出arXiv2Table基准，通过模拟真实用户需求和噪声，评估大语言模型生成文献综述表的能力，实验表明方法优于基线，但任务难度仍高。

Comments ACL 2026 Main Conference

Splits! Flexible Sociocultural Linguistic Investigation at Scale

Splits! 可扩展的社会文化语言学研究

Eylon Caplan, Tania Chakraborty, Dan Goldwasser

AI总结 本文提出Splits!平台，通过大规模数据集进行灵活的社会语言学研究，验证了其在识别潜在社会文化语言现象方面的有效性。

Comments Accepted to ACL 2026 Main Conference

Alloc-MoE: Budget-Aware Expert Activation Allocation for Efficient Mixture-of-Experts Inference

Alloc-MoE：基于预算的专家激活分配以实现高效的混合专家推理

Baihui Liu, Kaiyuan Tian, Wei Wang, Zhaoning Zhang, Linbo Qiao, Dongsheng Li

机构 * National Key Laboratory of Parallel and Distributed Computing, College of Computer Science and Technology, National University of Defense Technology（国防科技大学并行与分布计算国家重点实验室，计算机科学与技术学院） 纠错

AI总结 本文提出Alloc-MoE框架，通过层和token层面协调优化激活预算分配，减少推理延迟并保持性能，实验显示在DeepSeek-V2-Lite上实现1.15倍的预填和1.34倍的解码加速。

Comments ACL 2026 main

Beyond Stochastic Exploration: What Makes Training Data Valuable for Agentic Search

超越随机探索：训练数据为何对代理搜索有价值

Chuzhan Hao, Wenfeng Feng, Guochao Jiang, Guofeng Quan, Guohua Liu, Yuewei Zhang

机构 * Alibaba Cloud Computing（阿里云） 纠错

AI总结 本文提出Hierarchical Experience框架，通过对比分析和多级聚类机制将原始推理轨迹转化为层次经验知识，提升搜索代理的性能和训练稳定性，实现更高效的策略驱动搜索。

Comments 15 pages, ACL2026 Findings Accepted

Initialisation Determines the Basin: Efficient Codebook Optimisation for Extreme LLM Quantization

初始化决定盆地：面向极端LLM量化高效的代码本优化

Ian W. Kennedy, Nafise Sadat Moosavi

机构 * University of Sheffield（谢菲尔德大学） 纠错

AI总结 本文提出OA-EM方法，通过Hessian加权马氏距离改进代码本初始化，解决极端LLM量化中初始化不足导致的性能问题，提升压缩模型的优化效果。

Comments 9 pages (+ references and appendix). Under review at ACL Rolling Review

Revise: A Framework for Revising OCRed text in Practical Information Systems with Data Contamination Strategy

修订：一种在实际信息系统中利用数据污染策略修订OCR文本的框架

Gyuho Shim, Seongtae Hong, Heuiseok Lim

机构 * Department of Computer Science and Engineering, Korea University（高丽大学计算机科学与工程系） ； Human-inspired AI Research（人类启发人工智能研究） 纠错

AI总结 本文提出Revise框架，通过修正OCR文本的字符、词和结构层面错误，提升文档信息的结构化表示和管理能力，从而增强文档检索和问答任务的性能。

Comments Accepted to ACL 2025 Industry-Oral

SAT: Balancing Reasoning Accuracy and Efficiency with Stepwise Adaptive Thinking

SAT：通过分步自适应思维平衡推理准确性和效率

Weiyang Huang, Xuefeng Bai, Kehai Chen, Xinyang Chen, Yibin Chen, Weili Guan, Min Zhang

机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Huawei Technologies（华为技术有限公司） 纠错

AI总结 本文提出SAT框架，通过分步自适应思维在保持核心推理结构的同时实现推理步骤的动态剪枝，从而在减少推理token数量的同时维持或提升准确率。

Comments accepted to ACL2026 main conference

ReRec: Reasoning-Augmented LLM-based Recommendation Assistant via Reinforcement Fine-tuning

ReRec：通过强化微调增强的LLM推荐助手

Jiani Huang, Shijie Wang, Liangbo Ning, Wenqi Fan, Qing Li

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 ReRec通过强化微调框架提升LLM在复杂推荐任务中的推理能力，引入双重图增强奖励塑造、推理感知优势估计和在线课程调度器，实验证明其优于现有基线模型。

Comments Accepted by ACL 2026

GRASS: Gradient-based Adaptive Layer-wise Importance Sampling for Memory-efficient Large Language Model Fine-tuning

GRASS：基于梯度的自适应层级重要性采样用于内存高效的大型语言模型微调

Kaiyuan Tian, Yu Tang, Gongqingjian Jiang, Baihui Liu, Yifu Gao, Xialin Su, Linbo Qiao, Dongsheng Li

机构 * National University of Defense Technology（国防科技大学） ； Information Support Force Engineering University（信息支援部队工程大学） 纠错

AI总结 GRASS提出一种基于梯度的自适应层级重要性采样方法，通过动态调整层采样概率和优化器状态卸载机制，在降低内存使用的同时提升微调性能，实验显示其在多个模型和基准测试中均优于现有方法。

Comments Accepted by ACL 2026 Findings

ACIArena: Toward Unified Evaluation for Agent Cascading Injection

ACIArena：迈向多智能体系统统一评估

Hengyu An, Minxi Li, Jinghuai Zhang, Naen Xu, Chunyi Zhou, Changjiang Li, Xiaogang Xu, Tianyu Du, Shouling Ji

机构 * Zhejiang University（浙江大学） ； State Key Laboratory of Internet Architecture, Tsinghua University（清华大学网络架构国家重点实验室） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Palo Alto Networks ； Ningbo Global Innovation Center, Zhejiang University（浙江大学宁波全球创新中心） 纠错

AI总结 本文提出ACIArena框架，用于评估多智能体系统（MAS）的鲁棒性，通过多攻击面和目标的系统化测试，揭示单纯依赖拓扑结构评估不足，强调需通过角色设计和受控交互提升系统安全性。

Comments ACL 2026

The Art of (Mis)alignment: How Fine-Tuning Methods Effectively Misalign and Realign LLMs in Post-Training

对齐的艺术：细调方法如何有效地对齐和重新对齐训练后的LLM

Rui Zhang, Hongwei Li, Yun Shen, Xinyue Shen, Wenbo Jiang, Guowen Xu, Yang Liu, Michael Backes, Yang Zhang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Flexera ； CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 研究探讨细调方法在对齐和重新对齐LLM中的效果，揭示攻击与防御间的机制不对称，发现ORPO在对齐方面最有效，DPO在重新对齐中表现优异但牺牲了模型实用性，同时发现模型特定的抗性及多轮对抗动态的残留效应。

Comments Accepted by ACL Findings 2026

TrajGuard: Streaming Hidden-state Trajectory Detection for Decoding-time Jailbreak Defense

TrajGuard: 解码时隐藏状态轨迹检测用于解码时对抗防御

Cheng Liu, Xiaolei Liu, Xingyu Li, Bangzhou Xin, Kangyi Ding

机构 * National Interdisciplinary Research Center of Engineering Physics（国家工程物理跨学科研究中心） 纠错

AI总结 本文提出TrajGuard，通过解码时隐藏状态轨迹实时检测风险，实现95%的防御率，降低检测延迟至5.2ms/token，且误报率低于1.5%。

Comments Accepted to Findings of ACL 2026

Efficient and Effective Internal Memory Retrieval for LLM-Based Healthcare Prediction

高效且有效的内部内存检索用于基于大语言模型的医疗预测

Mingchen Li, Jiatan Huang, Zonghai Yao, Hong yu

机构 * University of Connecticut（康涅狄格大学） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校） ； University of Massachusetts, Lowell（马萨诸塞大学洛厄尔分校） ； UMass Chan Medical School（马萨诸塞大学陈医学院） 纠错

AI总结 本文提出K2K框架，通过内部键基知识访问提升LLM在医疗预测中的效率与准确性，实验显示在四个基准数据集上达到最佳性能。

Comments ACL 2026 (Findings), reviewer score: 3.5,3.5,4

Accelerating Training of Autoregressive Video Generation Models via Local Optimization with Representation Continuity

通过局部优化与表征连续性加速自回归视频生成模型训练

Yucheng Zhou, Jianbing Shen

机构 * SKL-IOTSC, CIS, University of Macau（澳门大学智慧城市物联网国家重点实验室及计算机与信息科学系） 纠错

AI总结 本文提出局部优化与表征连续性方法，通过减少误差传播和提升生成视频一致性，使自回归视频生成模型训练效率提升一倍而不牺牲质量。

Comments ACL 2026 Findings

Making MLLMs Blind: Adversarial Smuggling Attacks in MLLM Content Moderation

让 MLLMs 失明：MLLM 内容审核中的对抗走私攻击

Zhiheng Li, Zongyang Ma, Yuntong Pan, Ziqi Zhang, Xiaolei Lv, Bo Li, Jun Gao, Jianing Zhang, Chunfeng Yuan, Bing Li, Weiming Hu

机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, CASIA（中国科学院自动化研究所多模态人工智能系统国家重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Beijing Key Laboratory of Super Intelligent Security of Multi-Modal Information（北京市多模态信息超智能安全重点实验室） ； Hellogroup ； University of Washington（华盛顿大学） ； Jilin University（吉林大学） ； ShanghaiTech University（上海科技大学） 纠错

AI总结 本文揭示了MLLM在内容审核中面临的新威胁——对抗走私攻击，通过SmuggleBench基准测试发现多种模型易受攻击，提出通过感知和推理角度分析其根本原因并探索缓解策略。

Comments Accepted to ACL 2026. 19 pages, 6 figures

See the Forest for the Trees: Loosely Speculative Decoding via Visual-Semantic Guidance for Efficient Inference of Video LLMs

见林木而非树木：通过视觉-语义引导实现松散推测解码以提高视频大语言模型的推理效率

Yicheng Ji, Jun Zhang, Jinpeng Chen, Cong Wang, Lidan Shou, Gang Chen, Huan Li

机构 * ZJU（浙江大学） ； BUPT（北京邮电大学） 纠错

AI总结 本文提出LVSpec，一种无需训练的松散推测解码框架，通过视觉相关锚点识别和位置移位容忍机制，提升视频大语言模型的推理速度和精度。

Comments ACL'2026 Main Conference

DQA: Diagnostic Question Answering for IT Support

DQA：面向IT支持的诊断问题解答

Vishaal Kapoor, Mariam Dundua, Sarthak Ahuja, Neda Kordjazi, Evren Yortucboylu, Vaibhavi Padala, Derek Ho, Jennifer Whitted, Rebecca Steinert

机构 * Amazon（亚马逊） 纠错

AI总结 DQA通过维护持续诊断状态和聚合根本原因，提升企业IT支持中的系统性故障排查效率，其在150个匿名场景中取得78.7%的成功率，优于多轮RAG基线的41.3%。

Comments 7 pages, 2 tables, submitted at ACL 2026 Industry Track

Know Thy Enemy: Securing LLMs Against Prompt Injection via Diverse Data Synthesis and Instruction-Level Chain-of-Thought Learning

知彼者智：通过多样化数据合成和指令级推理学习增强大语言模型抗提示注入能力

Zhiyuan Chang, Mingyang Li, Yuekai Huang, Ziyou Jiang, Xiaojun Jia, Qian Xiong, Junjie Wang, Zhaoyang Li, Qing Wang

机构 * State Key Laboratory of Complex System Modeling and Simulation Technology（复杂系统建模与仿真技术国家重点实验室） ； Science and Technology on Integrated Information System Laboratory, Institute of Software Chinese Academy of Sciences（中国科学院软件研究所综合信息系统技术国家级重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Nanyang Technological University（南洋理工大学） ； Beijing Forestry University（北京林业大学） 纠错

AI总结 本文提出InstruCoT方法，通过多样化数据合成和指令级推理学习提升大语言模型对提示注入攻击的防御能力，实验表明其在行为偏差、隐私泄露和有害输出方面显著优于基线方法。

Comments 19 pages, 6 figures; accepted by ACL 2026 Findings

Understanding Structured Financial Data with LLMs: A Case Study on Fraud Detection

用大型语言模型理解结构化金融数据：欺诈检测案例研究

Xuwei Tan, Yao Ma, Xueru Zhang

机构 * The Ohio State University（俄亥俄州立大学） ； Coinbase, Inc.（Coinbase公司） 纠错

AI总结 本文提出FinFRE-RAG方法，通过特征缩减和检索增强学习提升欺诈检测性能，优于直接提示方法并在某些设置中与传统模型竞争。

Comments Accepted to ACL 2026 Main Conference

LLM Prompt Duel Optimizer: Efficient Label-Free Prompt Optimization

LLM提示对抗优化器：高效的无标签提示优化

Yuanchen Wu, Saurabh Verma, Justin Lee, Fangzhou Xiong, Poppy Zhang, Amel Awadelkarim, Xu Chen, Yubai Yuan, Shawndra Hill

机构 * Department of Statistics, The Pennsylvania State University（宾夕法尼亚州立大学统计系） ； Meta 纠错

AI总结 本文提出基于LLM法官的成对偏好反馈的无标签提示优化框架PDO，通过双汤普逊采样和顶尖表现引导突变，在有限预算下高效选择强提示，实验表明其在BIG-bench Hard和MS MARCO任务中优于无标签基线。

Comments Accepted to Findings of ACL 2026. Camera-ready version

Efficient PRM Training Data Synthesis via Formal Verification

通过形式验证高效PRM训练数据合成

Ryo Kamoi, Yusen Zhang, Nan Zhang, Sarkar Snigdha Sarathi Das, Ranran Haoran Zhang, Wenpeng Yin, Rui Zhang

机构 * Penn State University（宾夕法尼亚州立大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出FoVer框架，利用形式验证工具生成PRM训练数据，提升LLM推理能力，实验显示其在数学逻辑和自然语言推理任务中均有效。

Comments ACL 2026 Findings. Datasets, models, and code are provided at https://github.com/psunlpgroup/FoVer. Please also refer to our project website at https://fover-prm.github.io/

Iterative Formalization and Planning in Partially Observable Environments

迭代形式化与在部分可观测环境中的规划

Liancheng Gong, Wang Zhu, Jesse Thomason, Li Zhang

机构 * Drexel University（德雷塞尔大学） ； University of Southern California（南加州大学） 纠错

AI总结 本文提出PDDLego框架，通过将环境和目标分解为完全可观测的片段，实现迭代形式化、规划、扩展和优化，提升在部分可观测环境中的规划成功率和鲁棒性。

Comments In Findings of ACL 2026

Robustness via Referencing: Defending against Prompt Injection Attacks by Referencing the Executed Instruction

通过引用实现鲁棒性：通过引用已执行的指令来防御提示注入攻击

Yulin Chen, Haoran Li, Yuan Sui, Yue Liu, Yufei He, Xiaoling Bai, Chi Fei, Yabo Li, Haozhe Ma, Yangqiu Song, Bryan Hooi

AI总结 本文提出通过利用LLM的指令遵循能力来防御提示注入攻击，通过生成包含答案和对应指令引用的响应，有效过滤非原始指令关联的答案，实验表明其在降低攻击成功率方面优于现有方法。

Comments ACL 2026 Findings

EventWeave: A Dynamic Framework for Capturing Core and Supporting Events in Dialogue Systems

EventWeave：一种动态框架，用于捕捉对话系统中的核心事件和支持事件

Zhengyi Zhao, Shubo Zhang, Yiming Du, Bin Liang, Baojun Wang, Zhongyang Li, Binyang Li, Kam-Fai Wong

机构 * The Chinese University of Hong Kong（香港中文大学） ； University of International Relations（国际关系学院） ； Huawei Noah’s Ark Lab（华为诺亚方舟实验室） ； Ministry of Education Key Laboratory of High Confidence Software Technologies, CUHK（教育部高可信软件技术重点实验室（香港中文大学）） 纠错

AI总结 EventWeave通过动态事件图捕捉对话中的核心与支持事件，利用多头注意力机制生成更合适的对话响应，实验表明其在不同对话长度上均表现优异。

Comments Accepted by ACL'26

Through the Magnifying Glass: Adaptive Perception Magnification for Hallucination-Free VLM Decoding

通过放大镜：用于无幻觉VLM解码的自适应感知放大

Shunqi Mao, Chaoyi Zhang, Weidong Cai

机构 * School of Computer Science, The University of Sydney, Australia（澳大利亚悉尼大学计算机科学学院） 纠错

AI总结 本文提出感知放大器PM，通过迭代隔离相关视觉标记并放大相应区域，提升VLM对视觉细节的 scrutiny，从而减少幻觉并增强语言生成与推理能力。

Comments ACL 2026 Main Conference