ACL

MulDimIF: A Multi-Dimensional Constraint Framework for Evaluating and Improving Instruction Following in Large Language Models

MulDimIF：一种多维约束框架用于评估和改进大语言模型的指令遵循能力

Junjie Ye, Caishuang Huang, Zhuohan Chen, Wenjie Fu, Chenyuan Yang, Leyi Yang, Yilong Wu, Peng Wang, Meng Zhou, Xiaolong Yang, Tao Gui, Qi Zhang, Zhongchao Shi, Jianping Fan, Xuanjing Huang

机构 * Fudan University（复旦大学） ； Lenovo Research（联想研究院） ； Tencent（腾讯） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Key Lab of Intelligent Information Processing（上海智能信息处理重点实验室） 纠错

AI总结 本文提出MulDimIF框架，通过多维约束模式、类别和难度等级，设计可控指令生成流程，生成9106个可验证样本，评估18个LLM模型，发现不同约束设置下性能差异显著，并通过训练提升指令遵循能力而不影响通用性能。

Comments Accepted by ACL 2026

Topic-Based Watermarks for Large Language Models

基于主题的大型语言模型水印

Alexander Nemecek, Yuzhou Jiang, Erman Ayday

机构 * Case Western Reserve University（凯斯西储大学） ； Meta Platforms, Inc（Meta公司） 纠错

AI总结 本文提出一种轻量级主题引导的水印方案，通过将词汇库按主题划分，提升水印鲁棒性的同时保持生成文本的流畅性，实验表明其在多个LLM和基准测试中表现优异。

Comments Accepted at ACL 2026 Findings