ACL

New Terms, New Toxicity: Consensus-based Chinese Neologism Toxicity Detection via Search-Augmented LLMs

新术语，新毒性：基于共识的新词毒性检测——通过搜索增强型大语言模型（LLMs）

Shiyao Cui, QingLin Zhang, Di Wang, Yida Lu, Zhexin Zhang, Jinhua Gao, Jinglin Yang, Min He, Han Qiu, Minlie Huang

机构 * Tsinghua University（清华大学） ； ICT, CAS（中国科学院计算技术研究所） ； National Computer Network Emergency Response Technical Team Coordination Center of China（国家计算机网络应急技术处理协调中心） ； IIE, CAS（中国科学院工程热物理研究所） ； School of Cyber Security, UCAS（中国科学院大学网络空间安全学院） ； JCSS, Tsinghua University（清华大学软件学院） ； Science City (Guangzhou) Digital Technology Group Co., Ltd.（广州科学城数字科技集团有限公司） 纠错

AI总结 本文针对毒性新词的检测问题，提出捕捉毒性新词起源与共识标准的分类法，构建风险词表，引入搜索增强型框架SeTox，实验显示3B规模的SeTox性能优于近期大规模模型。

Comments ACL 2026

Can Spectral-Clipping Enable Better Learning While Forgetting Less for Low-Rank Adaptation?

频谱裁剪能否在低秩适配中实现更好的学习同时减少遗忘？

Hyowon Wi, Noseong Park

AI总结 本研究提出SCLoRA方法，通过结合频谱裁剪与低秩适配（LoRA），在提升下游任务性能的同时缓解了灾难性遗忘，实现更好的学习且减少知识遗忘。

Comments ACL 2026 Main Conference

Human-like fleeting memory improves language learning but impairs reading time prediction in transformer language models

类人短暂记忆提升语言学习但损害变压器语言模型的阅读时间预测

Abishek Thamma, Micha Heilbron

机构 * University of Amsterdam, Amsterdam Brain and Cognition（阿姆斯特丹大学，阿姆斯特丹脑与认知中心） ； Vrije Universiteit Amsterdam, Department of Informatics（阿姆斯特丹自由大学，信息学院） ； Max Planck Institute for Psycholinguistics（马克斯·普朗克心理学语言学研究所） 纠错

AI总结 研究探讨了短暂记忆对语言学习和阅读时间预测的影响，发现短暂记忆提升语言学习但损害阅读时间预测，挑战了传统认知科学观点。

Comments v2: Revised after peer review. Accepted for publication in Transactions of the Association for Computational Linguistics v3: Added link to code repository. Code: https://github.com/drhanjones/fmt-llm

Journal ref Transactions of the Association for Computational Linguistics 14 (2026) 877-892

RubRIX: Rubric-Driven Risk Mitigation in Caregiver-AI Interactions

RubRIX：基于评分标准的风险缓解在护理人员-AI交互中

Drishti Goel, Jeongah Lee, Qiuyue Joy Zhong, Violeta J. Rodriguez, Daniel S. Brown, Ravi Karkar, Dong Whi Yoo, Koustuv Saha

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； OSF HealthCare（OSF医疗集团） ； Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校） 纠错

AI总结 RubRIX提出了一种基于评分标准的框架，用于评估护理人员-AI交互中的风险，通过实证方法减少LLM响应的风险组件，为高负担情境下的AI支持系统提供评估方法。

Journal ref Findings of the Association for Computational Linguistics: ACL 2026