ACL

Detecting RAG Extraction Attack via Dual-Path Runtime Integrity Game

通过双路径运行时完整性游戏检测RAG提取攻击

Yuanbo Xie, Yingjie Zhang, Yulin Li, Shouyou Song, Xiaokun Chen, Zhihan Liu, Liya Su, Tingwen Liu

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； Beijing University of Post and Telecommunications（北京邮电大学） ； Stanford University（斯坦福大学） ； North China Electric Power University（华北电力大学） ； AI Sec Lab, Beijing Chaitin Technology Co.,Ltd（北京长亭科技有限公司AI安全实验室） 纠错

AI总结 本文提出CanaryRAG，一种基于栈canary的运行时防御机制，通过双路径完整性游戏实时检测RAG知识库泄露，有效降低攻击成功率，不影响任务性能和延迟。

Comments Accepted by ACL 2026 Main

Learning and Enforcing Context-Sensitive Control for LLMs

学习与强制上下文敏感控制用于大语言模型

Mohammad Albinhassan, Pranava Madhyastha, Mark Law, Alessandra Russo

机构 * Imperial College London（伦敦帝国学院） ； City University of London（伦敦城市大学） ； ILASP Limited, UK（英国ILASP有限公司） ； The Alan Turing Institute（艾伦·图灵研究所） 纠错

AI总结 本文提出一种自动学习上下文敏感约束的框架，通过两阶段过程提升LLM生成的有效性，使小型模型也能完美遵守约束，优于其他方法。

Comments ACL 2025 Student Research Workshop

Journal ref Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 4: Student Research Workshop), pages 834-842, 2025

Efficient Process Reward Modeling via Contrastive Mutual Information

通过对比互信息实现高效的进程奖励建模

Nakyung Lee, Sangwoo Hong, Jungwoo Lee

机构 * Department of Electrical and Computer Engineering, Seoul National University（首尔大学电气与计算机工程系） ； Department of Computer Science and Engineering, Konkuk University（建国大学计算机科学与工程系） 纠错

AI总结 本文提出CPMI方法，通过模型内部概率推断步骤监督，减少标注计算负担，提升过程级评估和数学推理准确性。

Comments Accepted at ACL 2026 Main Conference

Lost in Diffusion: Uncovering Hallucination Patterns and Failure Modes in Diffusion Large Language Models

迷失在扩散中：揭示扩散大语言模型中的幻觉模式和失败模式

Zhengnan Guo, Fei Tan

机构 * East China Normal University（华东师范大学） ； Zhejiang University of Technology（浙江工业大学） 纠错

AI总结 本文通过对比研究揭示扩散大语言模型（dLLMs）的幻觉模式，发现其比自回归模型更易产生幻觉，并指出扩散过程特有的失败模式，如提前终止、去噪不完整和上下文入侵，强调了模型可靠性的问题。

Comments Accepted to ACL 2026 Findings

ReFEree: Reference-Free and Fine-Grained Method for Evaluating Factual Consistency in Real-World Code Summarization

ReFEree：一种用于评估现实世界代码总结事实一致性的方法

Suyoung Bae, CheolWon Na, Jaehoon Lee, Yumin Lee, YunSeok Choi, Jee-Hyong Lee

AI总结 本文提出ReFEree，一种无需参考的细粒度方法，用于评估现实世界代码总结中的事实一致性。通过定义特定于代码总结的事实不一致标准，并在段落层面进行评估，最终获得细粒度评分。

Comments Accepted to ACL 2026 main. 25 pages

CARO: Chain-of-Analogy Reasoning Optimization for Robust Content Moderation

CARO：用于鲁棒内容审核的类比推理优化

Bingzhe Wu, Haotian Lu, Yuchen Mou

机构 * National Engineering Laboratory for Big Data System Computing Technology（大数据系统计算技术国家工程实验室） ； Shenzhen University（深圳大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 CARO通过两阶段训练框架提升LLM的类比推理能力，有效缓解内容审核中的误导性决策短路问题，实验显示其在模糊审核基准上平均F1得分提升24.9%。

Comments Accepted to ACL 2026 findings; under official publication process

CHAIRO: Contextual Hierarchical Analogical Induction and Reasoning Optimization for LLMs

CHAIRO：面向LLMs的上下文分层类比归纳与推理优化

Haotian Lu, Yuchen Mou, Bingzhe Wu

机构 * National Engineering Laboratory for Big Data System Computing Technology（国家大数据系统计算技术工程实验室） ； Shenzhen University（深圳大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出CHAIRO框架，通过类比示例提升规则归纳和决策可靠性，在内容审核中实现更准确和可解释的规则生成。

Comments Accepted to ACL 2026 main conference; under official publication process

From Query to Counsel: Structured Reasoning with a Multi-Agent Framework and Dataset for Legal Consultation

从查询到建议：基于多智能体框架和数据集的结构化推理用于法律咨询

Mingfei Lu, Yi Zhang, Mengjia Wu, Yue Feng

机构 * Australian Artificial Intelligence Institute (AAII), University of Technology Sydney（悉尼科技大学澳大利亚人工智能研究所） ； School of Computer Science, University of Birmingham（伯明翰大学计算机科学学院） 纠错

AI总结 本文提出JurisCQAD数据集和JurisMA框架，通过结构化任务分解和多智能体协作，提升法律咨询问答的准确性与解释性。

Comments Accepted by ACL 2026 Main conference

Discourse Coherence and Response-Guided Context Rewriting for Multi-Party Dialogue Generation

对话连贯性与基于响应的上下文重写用于多方对话生成

Zhiyu Cao, Peifeng Li, Qiaoming Zhu

机构 * School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院） 纠错

AI总结 本文提出DRCR框架，通过对话上下文重写提升多方对话生成效果，利用对话连贯性和响应质量构建偏好数据，并采用动态自进化学习方法增强重写与响应能力。

Comments ACL 2026 Main Conference

TalkLoRA: Communication-Aware Mixture of Low-Rank Adaptation for Large Language Models

TalkLoRA: 一种面向通信的低秩适应混合框架用于大语言模型

Lin Mu, Haiyang Wang, Li Ni, Lei Sang, Zhize Wu, Peiquan Jin, Yiwen Zhang

机构 * Anhui University（安徽大学） ； Hefei University（合肥大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 TalkLoRA通过引入专家间通信机制，提升LoRA在大语言模型中的参数效率和路由稳定性，实现在多种任务中更高效和均衡的专家路由。

Journal ref ACL 2026

GameplayQA: A Benchmarking Framework for Decision-Dense POV-Synced Multi-Video Understanding of 3D Virtual Agents

GameplayQA: 一种用于3D虚拟代理多视频理解的决策密集型视角同步评估框架

Yunzhe Wang, Runhui Xu, Kexin Zheng, Tianyi Zhang, Jayavibhav Niranjan Kogundi, Soham Hans, Volkan Ustun

机构 * University of Southern California（南加州大学） 纠错

AI总结 GameplayQA通过密集标注多玩家3D游戏视频，构建了2.4K诊断QA对，评估代理感知与推理能力，揭示了前沿MLLM在时间同步、跨视频定位及决策密度处理上的不足。

Comments Accepted to the Annual Meeting of the Association for Computational Linguistics (ACL 2026)

How Controllable Are Large Language Models? A Unified Evaluation across Behavioral Granularities

大型语言模型有多可控？跨行为细粒度的统一评估

Ziwen Xu, Kewei Xu, Haoming Xu, Haiwen Hong, Longtao Huang, Hui Xue, Ningyu Zhang, Yongliang Shen, Guozhou Zheng, Huajun Chen, Shumin Deng

机构 * Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 本文提出SteerEval基准，从语言特征、情感和个性三个领域评估LLM可控性，揭示细粒度控制效果下降问题，提供安全可控的LLM行为框架。

Comments ACL 2026

Why Steering Works: Toward a Unified View of Language Model Parameter Dynamics

为何转向有效：语言模型参数动态的统一视角

Ziwen Xu, Chenyan Wu, Hengyu Sun, Haiwen Hong, Mengru Wang, Yunzhi Yao, Longtao Huang, Hui Xue, Shumin Deng, Zhixuan Chu, Huajun Chen, Ningyu Zhang

机构 * Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 本文提出统一视角分析语言模型控制方法，通过偏好-效用分析揭示控制效果的权衡关系，并引入SPLIT方法提升偏好与效用。

Comments ACL 2026

ClaimDB: A Fact Verification Benchmark over Large Structured Data

ClaimDB: 一个基于大规模结构化数据的事实验证基准

Michael Theologitis, Preetam Prabhu Srikar Dammu, Chirag Shah, Dan Suciu

机构 * University of Washington（华盛顿大学） 纠错

AI总结 本文提出ClaimDB基准，通过百万级记录和多表组合验证事实，发现传统阅读方法失效，需转向可执行程序推理，实验显示超过一半模型准确率低于55%。

Comments ACL 2026 main

Controlling Multimodal Conversational Agents with Coverage-Enhanced Latent Actions

通过增强覆盖的潜在动作控制多模态对话代理

Yongqi Li, Hao Lang, Tieyun Qian, Yongbin Li

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Tongyi Lab（通义实验室） ； Zhongguancun Academy（中关村学院） 纠错

AI总结 本文提出通过增强覆盖的潜在动作空间改进多模态对话代理的强化学习微调，利用跨模态投影器提升鲁棒性，在两个对话任务中优于基线方法。

Comments Accepted to ACL 2026 (Main), camera-ready version

Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration

巩固还是适应？PRISM：通过梯度集中解耦SFT和RL数据

Yang Zhao, Yangou Ouyang, Xiao Ding, Hepeng Wang, Bibo Cai, Kai Xiong, Jinglong Gao, Zhouhao Sun, Li Du, Bing Qin, Ting Liu

机构 * Research Center for Social Computing and Interactive Robotics, Harbin Institute of Technology（哈尔滨工业大学社会计算与交互机器人研究中心） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

AI总结 PRISM通过分析梯度空间结构，区分高冲突数据需RL重构与低冲突数据需SFT巩固，提升LLM训练效率与鲁棒性。

Comments ACL2026 Main Conference

MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization

MAESTRO：元学习适应性标量化贸易-offs估计用于奖励优化

Yang Zhao, Hepeng Wang, Xiao Ding, Yangou Ouyang, Bibo Cai, Kai Xiong, Jinglong Gao, Zhouhao Sun, Li Du, Bing Qin, Ting Liu

机构 * Research Center for Social Computing and Interactive Robotics, Harbin Institute of Technology（哈尔滨工业大学社会计算与交互机器人研究中心） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

AI总结 MAESTRO通过引入元认知协调层，动态处理奖励标量化问题，优于单奖励和静态多目标基线，在保持GRPO效率的同时减少冗余生成。

Comments ACL 2026 Main Conference

Solver-Independent Automated Problem Formulation via LLMs for High-Cost Simulation-Driven Design

通过LLM实现的无求解器依赖的自动问题建模

Yuchen Li, Handing Wang, Bing Xue, Mengjie Zhang, Yaochu Jin

机构 * School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院） ； School of Engineering and Computer Science, Victoria University of Wellington（惠灵顿维多利亚大学工程与计算机科学学院） ； School of Engineering, Westlake University（西湖大学工学院） 纠错

AI总结 本文提出APF框架，利用LLM将工程师的自然语言需求转化为可执行的优化模型，提升高成本仿真驱动设计中问题建模的准确性和效率。

Comments Accepted to Findings of ACL 2026

Understanding Generalization in Role-Playing Models via Information Theory

通过信息论理解角色扮演模型的泛化能力

Yongqi Li, Hao Lang, Fei Huang, Tieyun Qian, Yongbin Li

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Tongyi Lab（通义实验室） ； Zhongguancun Academy（中关村学院） 纠错

AI总结 本文通过信息理论提出R-EMID指标，分析角色扮演模型在分布偏移下的泛化问题，提出协同强化学习框架提升对话生成概率，发现用户偏移对泛化影响最大。

Comments Accepted to ACL 2026 (Findings), camera-ready version

Look Twice before You Leap: A Rational Framework for Localized Adversarial Anonymization

两次审视后再跃进：一种用于局部对抗匿名化的理性框架

Donghang Duan, Xu Zheng, Yuefeng He, Chong Mu, Leyi Cai, Lizong Zhang

机构 * School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； School of Information, Renmin University of China（中国人民大学信息学院） 纠错

AI总结 本文提出RLAA框架，通过引入仲裁者机制解决现有对抗匿名化方法的理性问题，实现隐私与效用的平衡。

Comments Accepted to Findings of ACL 2026

ARK: Answer-Centric Retriever Tuning via KG-augmented Curriculum Learning

ARK：通过知识图谱增强课程学习实现答案导向的检索器调优

Hang Ding, Jiawei Zhou, Haiyun Jiang

AI总结 本文提出一种基于知识图谱增强课程学习的答案导向检索器调优框架，通过生成增强查询和逐步挑战的硬负样本，提升检索器区分关键证据的能力，实验表明在多个基准数据集上性能优于基线模型。

Comments ACL 2026 accepted as main. For source code, see https://github.com/valleysprings/ARK/

SynthAgent: Adapting Web Agents with Synthetic Supervision

SynthAgent：通过合成监督适应网络代理

Zhaoyang Wang, Yiming Liang, Xuchao Zhang, Qianhui Wu, Siwei Han, Anson Bastos, Rujia Wang, Chetan Bansal, Baolin Peng, Jianfeng Gao, Saravan Rajmohan, Huaxiu Yao

机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Purdue University（普渡大学） ； Microsoft（微软） 纠错

AI总结 本文提出SynthAgent框架，通过任务和轨迹双重细化提升合成数据质量，从而提升网络代理在新网站环境中的适应能力。

Comments Accepted to ACL 2026 Main Conference

Why Do Multilingual Reasoning Gaps Emerge in Reasoning Language Models?

为何多语言推理模型中会出现多语言推理差距？

Deokhyung Kang, Seonjeong Hwang, Daehui Kim, Hyounghun Kim, Gary Geunbae Lee

机构 * Graduate School of Artificial Intelligence, POSTECH（浦项工业大学人工智能研究生院） ； Agentic AI Lab, KT（KT公司Agentic AI实验室） ； Department of Computer Science and Engineering, POSTECH（浦项工业大学计算机科学与工程系） 纠错

AI总结 本文探讨了多语言推理模型中存在多语言推理差距的原因，发现语言理解失败是主因，并提出Selective Translation策略有效缓解了这一问题。

Comments Accepted at Findings of ACL 2026

CiteGuard: Faithful Citation Attribution for LLMs via Retrieval-Augmented Validation

CiteGuard: 通过检索增强验证实现LLM的忠实引文归因

Yee Man Choi, Xuehang Guo, Yi R. Fung, Qingyun Wang

AI总结 本文提出CiteGuard，通过检索增强验证提升LLM引文准确性，实现比基线模型高10个百分点的性能，达到68.1%的准确率，接近人类水平。

Comments Project Page: https://kathcym.github.io/CiteGuard_Page/. ACL 2026 Main Conference

Find Your Optimal Teacher: Personalized Data Synthesis via Router-Guided Multi-Teacher Distillation

找到你的最优教师：通过路由器引导的多教师蒸馏实现个性化数据合成

Hengyuan Zhang, Shiping Yang, Xiao Liang, Chenming Shang, Yuxuan Jiang, Chaofan Tao, Jing Xiong, Hayden Kwok-Hay So, Ruobing Xie, Angel X. Chang, Ngai Wong

机构 * The University of Hong Kong（香港大学） ； Simon Fraser University（西蒙菲莎大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Dartmouth College（达特茅斯学院） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； Tencent（腾讯） 纠错

AI总结 本文提出PerSyn策略，通过'路由然后生成'范式为每个学生模型定制数据，提升学习效率。实验表明其在指令微调和数学推理中表现优异。

Comments ACL 2026 Main Conference

RISK: A Framework for GUI Agents in E-commerce Risk Management

RISK: 电子商务风险管理中GUI代理的框架

Renqi Chen, Zeyin Tao, Jianming Guo, Jingzhe Zhu, Yiheng Peng, Qingqing Sun, Tianyi Zhang, Shuai Chen

机构 * Ant International, Ant Group（蚂蚁国际，蚂蚁集团） ； Fudan University（复旦大学） 纠错

AI总结 RISK框架通过整合数据集、基准测试和强化学习方法，提升了GUI代理在电子商务风险管理中处理多步骤交互的能力，实验显示其在单步和多步任务上的性能提升显著。

Comments Accepted by ACL 2026 Main Conference

ZARA: Training-Free Motion Time-Series Reasoning via Evidence-Grounded LLM Agents

ZARA：通过证据驱动的LLM代理实现无训练的运动时间序列推理

Zechen Li, Baiyu Chen, Hao Xue, Flora D. Salim

机构 * University of New South Wales, Sydney（新南威尔士大学悉尼校区） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 ZARA通过证据驱动的LLM代理实现无训练的运动时间序列推理，利用参考数据构建统计学基础的知识库，提升活动识别的泛化能力和跨领域适应性。

Comments Accepted by ACL 2026 Main Conference

Reliable Evaluation Protocol for Low-Precision Retrieval

低精度检索的可靠评估协议

Kisu Yang, Yoonna Jang, Hwanseok Jang, Kenneth Choi, Isabelle Augenstein, Heuiseok Lim

机构 * VAIV Company（VAIV公司） ； University of Copenhagen（哥本哈根大学） ； Korea University（高丽大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出一种更稳健的检索评估协议，通过高精度评分和考虑 ties 的检索指标减少低精度检索中的评分波动，提高评估可靠性。

Comments ACL 2026 Main Conference

Data Mixing Agent: Learning to Re-weight Domains for Continual Pre-training

数据混合代理：学习重新加权领域以实现持续预训练

Kailai Yang, Xiao Liu, Lei Ji, Hao Li, Xiao Liang, Zhiwei Liu, Yeyun Gong, Peng Cheng, Mao Yang

机构 * The University of Manchester（曼彻斯特大学） ； Microsoft Research（微软研究院） ； Imperial College London（伦敦帝国学院） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 本文提出数据混合代理，通过强化学习学习重新加权领域，实现持续预训练中的平衡性能，优于现有基线方法，并在未见过的领域中表现良好。

Comments Accepted by the ACL 2026 main conference

What Factors Affect LLMs and RLLMs in Financial Question Answering?

影响LLMs和RLLMs在金融问答中的因素是什么？

Peng Wang, Xuesi Hu, Jiageng Wu, Yuntao Zou, Qiancheng Zhang, Dagang Li

机构 * School of Computer Science and Engineering, Macau University of Science and Technology, China（澳门科技大学计算机科学与工程学院） ； SKLPlanets, Macau University of Science and Technology, China（澳门科技大学月球与行星科学国家重点实验室） ； School of Economics, Anhui University, China（安徽大学经济学院） ； School of Energy and Power Engineering, Huazhong University of Science and Technology, China（华中科技大学能源与动力工程学院） 纠错

AI总结 研究探讨了提示方法、代理框架和多语言对齐方法对LLMs和RLLMs在金融问答任务中的影响，发现提示方法和代理框架能提升LLMs性能，而RLLMs自身具备Long CoT能力，传统方法对其提升有限。

Comments Accepted by ACL 2026 Findings