ACL

Understanding the Behaviors of Environment-aware Information Retrieval

理解环境感知的信息检索行为

Ruifeng Yuan, Chaohao Yuan, David Dai, Yu Rong, Hong Cheng, Hou Pong Chan, Chenghao Xiao

机构 * Fudan University（复旦大学） ； Alibaba DAMO Academy（阿里巴巴达摩院） ； Chinese University of Hong Kong（香港中文大学） ； Stanford University（斯坦福大学） ； Shanghai University of Finance and Economics（上海财经大学） 纠错

AI总结 通过强化学习使LLM适应不同检索器的查询策略，发现不同检索器偏好不同查询风格，并提出分支式滚动技术提升训练稳定性。

Comments ACL 2026 Main

P3B3: A Multi-Turn Conversational Benchmark for Measuring European and Brazilian Portuguese Variety Bias in LLMs

P3B3：用于测量大语言模型中欧洲和巴西葡萄牙语变体偏差的多轮对话基准

Rafael Ferreira, Inês Vieira, Inês Calvo, James Furtado, Iago Paulo, Diogo Tavares, Diogo Glória-Silva, David Semedo, João Magalhães

机构 * NOVA University of Lisbon（新里斯本大学） ； NOVA LINCS（NOVA LINCS实验室） 纠错

AI总结 提出P3B3基准，通过专家策划的对话提示和评估框架，测量大语言模型在葡萄牙语变体（欧洲vs巴西）上的偏差和可控性，发现多数模型偏向巴西葡萄牙语。

Comments Accepted at MeLLM Workshop at ACL 2026

SciText2Eq: Assessing LLMs for Explainable Equation Generation for Scientific Creativity

SciText2Eq: 评估大语言模型在科学创造力中的可解释方程生成

Yifan Mo, Xiao Fu, Yue Su, Qingyu Meng, Koen Hindriks, Qingzhi Liu, Jiahuan Pei

机构 * Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； Wageningen University & Research（瓦赫宁根大学及研究中心） 纠错

AI总结 研究大语言模型从科学文本生成数学方程的能力，构建AI论文数据集，提出可解释方程生成流程，并设计结合自动指标、LLM评估和人工判断的评估协议，发现LLM在语义准确性上表现不足。

Comments Accepted by findings of ACL 2026

Overcoming the Impedance Mismatch: A Theoretical Roadmap for Fusing Foundation Models and Knowledge Graphs

克服阻抗不匹配：融合基础模型与知识图谱的理论路线图

Sahil Rajesh Dhayalkar

机构 * Arizona State University（亚利桑那州立大学） 纠错

AI总结 本文提出“阻抗不匹配”概念，形式化分析基础模型与知识图谱的结构与几何摩擦，通过三级层次分类揭示现有方法的局限，并给出理论路线图实现真正的语义融合。

Comments 12 pages. Accepted at the ACL 2026 4th Workshop on Towards Knowledgeable Foundation Models (https://openreview.net/forum?id=hXDYsNAq8m)

Distilling Examples into Task Instructions: Enhanced In-Context Learning for Real-World B2B Conversations

将示例提炼为任务指令：面向真实B2B对话的增强上下文学习

Guy Rotman, Adi Kopilov, Danit Berger Zalmanson, Omri Allouche

AI总结 针对B2B对话分类中传统上下文学习因示例拼接导致上下文过长而性能受限的问题，提出知识蒸馏方法将冗长示例压缩为结构化分类标准和精确任务描述，实现令牌使用减少99%，宏平均AUC提升7%，且随上下文增长保持鲁棒。

Comments Accepted for publication in Findings of the Association for Computational Linguistics 2026

Encode Errors: Representational Retrieval of In-Context Demonstrations for Multilingual Grammatical Error Correction

编码错误：多语言语法错误纠正中上下文示例的表征检索

Guangyue Peng, Wei Li, Wen Luo, Houfeng Wang

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理国家重点实验室） 纠错

AI总结 提出从LLM内部状态提取语法错误表征（GER）用于检索上下文示例，显著提升多语言语法错误纠正的少样本性能，在低资源语言上F0.5提升达1.20倍。

Comments 15 pages, 6 figures

Journal ref Findings of the Association for Computational Linguistics: ACL 2025, pages 21166-21180, Vienna, Austria. Association for Computational Linguistics, 2025

Graph of Trace: Visualizing Execution Traces of Scientific Agent

追踪图：科学智能体执行轨迹的可视化

Tianci Gao, Haoxuan Li, Jianhe Li, Tianxiang Zhao, Runze Shi, Weiran Wang, Zezhao Wu, Lu Mi

AI总结 提出一种监控与可视化框架，通过记录细粒度执行事件并组织为有向图，实时展示科学智能体的工作流结构，提升可解释性与人机协作效率。

Comments Accepted to ACL 2026 Demo Track

Incentives Of EdTech: A Systematic Review Of EduNLP Research

教育科技的激励：EduNLP研究的系统综述

Gabrielle Gaudeau, Aoife O'Driscoll, Jasper Degraeuwe, Andrew Caines, Donya Rooein, Zeerak Talat

机构 * ALTA Institute, Computer Laboratory, University of Cambridge（剑桥大学ALTA研究所、计算机实验室） ； Ghent University（根特大学） ； Bocconi University（博科尼大学） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 通过系统综述204篇ACL教育应用论文，揭示教育NLP研究中私营部门激励与教育基础设施需求之间的张力，发现教师作为受益者被系统性低估（33.3%），实际部署罕见（9.8%），伦理参与趋于承认而非行动。

Comments 10 main pages (13 appendix pages), 20 figures, accepted to 21st Workshop on Innovative Use of NLP for Building Educational Applications @ ACL 2026