期刊&会议
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
MARCH：多智能体放射科临床层级用于CT报告生成
机构 * Weill Cornell Medicine（韦尔·科恩医学中心） ； University of Western Australia（西澳大学） ； University of Florida（佛罗里达大学）
AI总结 MARCH通过模拟放射科专业层级，采用多智能体框架提升CT报告生成的临床准确性和语言准确性。
Comments Accepted by ACL 2026 main conference
ATTNPO：基于注意力的高效推理过程监督
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安全学院） ； Baidu Inc.（百度公司） ； Tianjin University（天津大学）
AI总结 本文提出ATTNPO，通过利用模型内在注意力信号进行步骤级信用分配，有效减少推理长度并提升性能，适用于9个基准测试。
Comments Accepted by ACL 2026 Main
HumanLLM：通过人类认知模式基准测试和改进LLM拟人化
机构 * Fudan University（复旦大学） ； Hello Group（Hello集团） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 HumanLLM通过构建244种心理模式和11359种场景，评估LLM拟人化的有效性，发现认知建模比单纯模拟行为更重要，其8B模型在参数更少的情况下优于Qwen3-32B。
Comments Accepted to ACL 2026 Main Conference
CLewR：基于重置的课程学习用于机器翻译偏好学习
机构 * Bitdefender ； Department of Computer Science, University of Bucharest（布加勒斯特大学计算机科学系）
AI总结 本文提出CLewR方法，通过课程学习与重置策略提升机器翻译性能，验证了在多种模型和优化技术中的有效性。
Comments Accepted at ACL 2026
视觉-语言模型中提示诱导幻觉的机制
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Brown University（布朗大学） ； Technion（技术学院） ； University of Tübingen（图宾根大学） ； Harvard University（哈佛大学）
AI总结 研究揭示了视觉-语言模型在提示诱导幻觉中的机制，通过分析三种模型发现特定注意力头可显著减少幻觉现象，揭示了模型对提示的响应差异。
Comments ACL 2026 Main
RepoShapley：基于Shapley的上下文过滤用于仓库级代码补全
AI总结 RepoShapley通过Shapley式边际贡献监督，实现仓库级代码补全的上下文过滤，提升补全质量并减少有害上下文和冗余检索。
Comments ACL 2026 Findings
XLSR-MamBo：用于音频深度伪造检测的混合Mamba-注意力骨干网络的扩展
AI总结 本文提出XLSR-MamBo框架，通过整合XLSR前端与协同Mamba-Attention骨干，提升音频深度伪造检测性能，实验表明其在多个基准测试中表现优异。
Comments 11 pages, 3 figures, Accepted by ACL 2026 Findings
理解大语言模型中新知识诱导的事实幻觉：分析与解释
机构 * National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； Huawei Translation Services Center（华为翻译服务中心）
AI总结 研究探讨了新知识微调导致的大语言模型事实幻觉现象，通过设计Biography-Reasoning数据集，分析不同知识类型和任务类型中的幻觉表现，发现知识类型中不熟悉程度是幻觉的主要驱动因素。
Comments ACL 2026 Findings
推理陷阱：增强大语言模型推理能力如何放大工具幻觉
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Nanjing University of Science and Technology（南京理工大学） ； Independent Researcher（独立研究者）
AI总结 研究探讨增强LLM推理能力是否导致工具幻觉增加，通过SimpleToolHalluBench验证因果关系，发现推理增强与幻觉成正比，且不受过拟合影响，揭示需新的训练目标平衡能力和可靠性。
Comments Accepted to ACL 2026 Main
LLM强化学习后训练的扩展行为：数学推理中的实证研究
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； University of Oxford（牛津大学） ； Imperial College London（伦敦帝国学院） ； University of Georgia（佐治亚大学） ； The Chinese University of Hong Kong（香港中文大学） ； Chinese Academy of Sciences（中国科学院） ； Dalian University of Technology（大连理工大学） ； National University of Singapore（新加坡国立大学） ； Wuhan University（武汉大学）
AI总结 本文通过实证研究探讨了LLM后训练强化学习中的扩展行为，重点分析了模型规模、数据量和计算预算对数学推理性能的影响，揭示了学习效率的饱和趋势及高质量数据重复利用的有效性。
Comments V4 version:This Paper has been accepted by ACL 2026 Main Conference
融合与独立的协作：超复数驱动的鲁棒多模态知识图谱补全
机构 * School of Software Technology, Zhejiang University（浙江大学软件学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； ZJU-Ant Group Joint Lab of Knowledge Graph（浙大蚂蚁集团知识图谱联合实验室） ； Ant Group（蚂蚁集团）
AI总结 本文提出M-Hyper方法，结合融合与独立模态表示，利用四元数代数实现多模态交互，提升知识图谱补全的鲁棒性和效率。
Comments ACL 2026 (Main)
ConlangCrafter：基于多跳LLM流水线的语言构建
机构 * Tel Aviv University（特拉维夫大学） ； Carnegie Mellon University（卡内基梅隆大学） ； UC Berkeley（伯克利大学）
AI总结 本文提出ConlangCrafter，通过多阶段流水线实现语言构建，利用LLM的元语言能力生成一致且多样化的构想语言。
Comments Accepted to ACL 2026. Project page: https://conlangcrafter.github.io
TabularMath: 通过大规模语言模型理解表格上的数学推理
机构 * National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院）
AI总结 本文提出TabularMath基准，通过神经符号框架将数学问题转化为可扩展的表格推理任务，揭示表格复杂度、质量及表征对推理性能的影响，发现低质量表格对当前LLM的可靠性构成严重风险。
Comments Accepted by ACL 26
WildFeedback: 对齐大语言模型与实时用户交互与反馈
机构 * Microsoft Corporation（微软公司） ； Purdue University（普渡大学） ； Texas A&M University（德克萨斯农工大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Southern California（南加州大学）
AI总结 本文提出WildFeedback框架，通过实时用户反馈自动创建偏好数据集，提升大语言模型对用户偏好的对齐能力，解决了现有方法的可扩展性、主观性和偏见问题。
Comments ACL 2026 Camera-ready. 25 pages, 6 figures, 9 tables
少样本学习中样本选择策略的自动组合
机构 * Faculty of Information Technology, Brno University of Technology（布拉格技术学院，布拉格技术大学） ； Kempelen Institute of Intelligent Technologies（智能技术研究所） ； Eindhoven University of Technology（埃因霍温技术大学）
AI总结 本文提出ACSESS方法，通过结合多种样本选择策略提升少样本学习性能，实验显示组合策略优于单一策略，且在小数据集上效果更佳。
Comments Accepted to the Findings of ACL 2026
AgentV-RL: 通过代理验证器扩展奖励建模
机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Huazhong University of Science and Technology（华中科技大学） ； The University of Hong Kong（香港大学） ； ByteDance Seed（字节跳动种子） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究院） ； Shanghai Key Laboratory of Multimodal Embodied AI（上海多模态具身人工智能重点实验室）
AI总结 本文提出Agentic Verifier框架，通过多轮工具增强的反思过程提升奖励建模效果，实验显示其在并行和顺序TTS任务中表现优异，4B变体超越现有最优ORMs 25.2%。
Comments ACL 2026
你的LLM裁判有多虚伪？大型语言模型在语用能力中的听众-说话人不对称性
机构 * Computational Linguistics, Department of Linguistics（计算语言学系，语言学系）
AI总结 本文研究了大型语言模型在语用能力中的听众与说话人角色差异，发现模型在作为听众判断语言输出适当性时表现优于作为说话人生成语用恰当语言，揭示了当前LLM在语用判断与生成方面的弱关联性。
Comments Accepted at ACL 2026 (findings)
DiZiNER：通过试点注释模拟的分歧引导指令细化用于零样本命名实体识别
机构 * Seltasquare Seoul, Korea（首尔韩国Seltasquare） ； Seoul National University College of Medicine（首尔国立大学医学院） ； Biomedical Research Institute, Seoul National University Hospital（首尔国立大学医院生物医学研究所）
AI总结 DiZiNER通过模拟试点注释过程，利用LLM作为标注者和监督者，通过多模型标注和分歧分析优化指令，实现零样本NER的SOTA结果，提升F1分数并缩小与监督系统差距。
Comments 9 pages, 3 figures; Accepted to the ACL 2026 Main Conference
CiPO：通过迭代偏好优化实现大型推理模型的反事实去学习
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 针对大型推理模型去学习难题，CiPO通过迭代偏好优化重新定义去学习为对推理过程的针对性干预，有效去除中间推理步骤和最终答案的知识，同时保持推理能力。
Comments Accepted by ACL 2026 Main Conference
CoEvolve：通过代理-数据互演训练LLM代理
机构 * Alibaba Group（阿里巴巴集团） ； AMAP
AI总结 本文提出CoEvolve框架，通过闭环交互训练提升LLM代理性能，利用反馈信号识别失败模式并指导任务合成，实验显示在AppWorld和BFCL上显著提升表现。
Comments Accepted to ACL 2026
发现与证明：一个开源代理框架用于Lean 4中的硬模式自动定理 proving
机构 * State Key Laboratory for Multimedia Information Processing, School of Computer Science, PKU-Anker LLM Lab, Peking University（信息处理国家重点实验室，计算机科学学院，PKU-Anker LLM实验室，北京大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； School of Software & Microelectronics, Peking University（软件与微电子学院，北京大学） ； School of Electronics Engineering and Computer Science, Peking University（电子工程与计算机科学学院，北京大学）
AI总结 本文提出DAP框架，通过LLM自然语言推理与自我反思发现答案，并将硬模式问题转换为易模式问题以提升自动定理证明性能，实现了CombiBench和PutnamBench上的显著提升。
Comments ACL 2026 Main Conference
从大型语言模型中的序列内部分散性中学习不确定性
机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Centre for AI Research, VinUniversity（Vin大学人工智能研究中心）
AI总结 本文提出SIVR框架，通过利用隐藏状态中的token和层级特征，以更基本的假设来估计不确定性，从而提高hallucination检测的准确性和泛化能力。
Comments Accepted at ACL 2026 (Main Conference)
进入灰色区域：领域上下文可以模糊大语言模型安全边界
AI总结 研究探讨了领域上下文如何模糊大语言模型的安全边界，提出Jargon框架通过多轮对抗交互提升攻击成功率，通过激活空间分析揭示灰色区域的不可靠性，并设计政策引导的防护策略以减少攻击成功率。
Comments ACL 2026 Main Conference
VoxMind：一个端到端的智能语音对话系统
机构 * Zhejiang University（浙江大学） ； China University of Petroleum-Beijing at Karamay（中国石油大学（北京）克拉玛依校区） ； Xiamen University（厦门大学）
AI总结 本文提出VoxMind，通过引入智能代理能力，提升端到端语音对话系统在复杂任务中的表现，实验表明其任务完成率显著提高。
Comments Accepted to ACL 2026 Main Conference.Code and data available at https://github.com/MM-Speech/VoxMind
通过对手建模进行多智能体谈判中的偏好估计
机构 * Graduate School of Informatics, Kyoto University（京都大学信息学研究生院） ； Accenture Japan Ltd（Accenture日本公司）
AI总结 本文提出一种整合自然语言信息的结构化贝叶斯对手建模框架，提升多智能体谈判中的偏好估计准确性与一致性。
Comments This paper is accepted as a Findings of ACL 2026
不完全合作的人机交互：在模拟和用户研究中比较人类和AI属性的影响
机构 * Aptima, Inc.（Aptima公司） ； Arizona State University（亚利桑那州立大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究通过模拟和用户实验比较人类和AI属性在不完全合作场景中的影响，发现AI属性，尤其是透明度，在真实用户研究中更具影响力。
Comments Will be presented at ACL 2026 and published in the Findings of the Association for Computational Linguistics: ACL 2026
请问，我可以发言吗... CoLabScience，一种用于生物医学发现和LLM专家协作的主动AI助手
机构 * Worcester Polytechnic Institute（沃斯特理工大学） ； University of California, Davis（加州大学戴维斯分校） ； Jiangsu University（江苏大学）
AI总结 本文提出CoLabScience，一种主动AI助手，通过及时的上下文感知干预提升生物医学领域AI与人类专家的协作效率，PULI框架在流式科学讨论中实现精准干预，实验表明其在干预精度和协作任务实用性上优于现有基线。
Comments ACL 2026 Main Conference
FineSteer: 一种用于大语言模型推理时细粒度引导的统一框架
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出FineSteer框架，通过条件引导和细粒度向量合成两个阶段实现高效引导，保留模型效用并提升引导效果，实验显示其在安全性和真实性基准上表现优异。
Comments Accepted by ACL 2026 (Main)
时间对比解码：一种无训练方法用于大型音频-语言模型
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Beijing Jiaotong University（北京交通大学）
AI总结 本文提出时间对比解码方法，通过对比原始和模糊的输入路径来减少时间平滑偏差，提升音频基础输出的精确性。
Comments ACL 2026 Findings
在潜在思想中思考：一种无手势词的签语翻译新范式
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Sichuan University（四川大学）
AI总结 本文提出一种基于推理的签语翻译框架，通过潜在思想序列作为中间层提升翻译的连贯性和准确性，并构建了一个新的大规模无手势词数据集。
Comments Accepted to ACL 2026 Main
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈