期刊&会议
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
KASER：面向开放性编程任务的知识对齐学生错误模拟器
机构 * University of Massachusetts（马萨诸塞大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 KASER通过强化学习方法，结合代码相似性、错误匹配和预测多样性，提升大语言模型对学生错误的模拟与预测能力，实验表明其在代码和错误预测及错误覆盖方面优于基线方法。
Comments Published in ACL 2026: The 64th Annual Meeting of the Association for Computational Linguistics
基于图扩散模型的多LLM代理通信拓扑动态生成
机构 * University of California Los Angeles（加州大学洛杉矶分校） ； University of Washington（华盛顿大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出Guided Topology Diffusion框架，通过迭代构建过程生成适应任务需求的高效通信拓扑，优于现有方法。
Comments ACL 2026 Main
面向编码问题可解释知识追踪的自动化知识组件生成
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Pittsburgh（匹兹堡大学） ； North Carolina State University（北卡罗来纳州立大学）
AI总结 本文提出基于LLM的知识组件生成与标注自动化流程，开发KCGen-KT框架，在不同编程语言的实测数据中验证其优于传统方法和人工编写的知识组件。
Comments Findings of ACL 2026: The 64th Annual Meeting of the Association for Computational Linguistics
通过安全过滤和宪法AI实现负责任的联邦大语言模型
机构 * Samsung Electronics（三星电子） ； The University of Tokyo（东京大学）
AI总结 本文提出在联邦大语言模型中引入安全过滤和宪法AI技术，以提升模型安全性，实验显示在AdvBench上安全性能提升超过20%。
Comments Accepted at the 6th Workshop on Trustworthy NLP (TrustNLP), ACL 2026
排列一致性列表判断用于鲁棒事实性评估
机构 * App-In Club（App-In俱乐部） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出PCFJudge方法，通过多排列重跑列表事实性提示以提高LLM事实性判断的鲁棒性，实验显示其在RewardBench 2 Factuality上显著提升准确率。
Comments Accepted at the Fifth Workshop on Natural Language Generation, Evaluation, and Metrics at ACL 2026
RecMem：基于递归的记忆巩固用于高效且有效的长运行LLM代理
机构 * Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系） ； School of Computer Science, Beijing University of Posts and Telecommunications（北京邮电大学计算机学院） ； Huawei Cloud（华为云） ； Huawei Theory Lab（华为理论实验室） ； Institute for Math and AI, Wuhan University（武汉大学数学与人工智能研究院）
AI总结 RecMem通过递归机制优化内存巩固，减少token消耗并提升准确性，有效解决长运行LLM代理的内存管理问题。
Comments Accepted to ACL 2026 Findings
从平铺语言标签到类型学先验：面向多语言语音到语音翻译的结构化语言条件化
机构 * School of Information Science and Electrical Engineering, Kyushu University（九州大学信息科学与电子工程学院） ； Recho Inc.（Recho公司） ； National Institute of Informatics（国家信息研究所） ； Interdisciplinary Research Centre on Security, Reliability and Trust (SnT), University of Luxembourg（卢森堡大学安全、可靠性与信任跨学科研究中心） ； Donghua University（东华大学） ； Department of Computer Science, The University of Tokyo（东京大学计算机科学系） ； Department of Electrical and Computer Engineering, University of Alberta（阿尔伯塔大学电子与计算机工程系）
AI总结 本文提出S2ST-Omni 2框架，通过结构化类型学先验改进多语言语音到语音翻译，实验显示其在多个评估指标上表现优异，且在数据受限条件下仍能提升翻译效率。
Comments Submitted to IEEE/ACM TASLP. This work extends S2ST-Omni, accepted to Findings of ACL 2026
CAP：用于大语言模型中去学习的可控对齐提示
机构 * School of Information and Software Engineering, University of Electronic Science and Technology of China（电子科技大学信息与软件学院）
AI总结 本文提出CAP框架，通过强化学习将去学习过程转化为可学习的提示优化，实现可控的去学习，无需更新模型参数，解决了现有方法的计算成本高、遗忘边界不可控等问题。
Comments Accpeted to ACL 2026 Main Conference
基于3D医学影像的区域 grounded 报告生成：一个细粒度数据集和图增强框架
机构 * AI4LIFE, Hanoi University of Science and Technology, Vietnam（AI4LIFE，河内科学技术大学，越南） ； SAMOVAR, Télécom SudParis, Institut Polytechnique de Paris, France（SAMOVAR，Telecom SudParis，巴黎理工学院，法国） ； Military Central Hospital, Vietnam（108军区中央医院，越南）
AI总结 本文提出VietPET-RoI数据集和HiRRA框架，通过图增强模块捕捉RoI属性依赖，提升3D PET/CT报告生成的临床可靠性，实验表明其在BLEU、ROUGE-L和临床指标上均优于现有方法。
Comments 16 pages; Accepted to appear in ACL 2026
FinReporting: 一种用于跨司法管辖区财务披露本地化报告的代理工作流
机构 * MBZUAI ； The University of Tokyo（东京大学） ； Meiji Gakuin University（明治大学） ； McGill University（麦吉尔大学） ； Kyoto University（京都大学） ； Columbia University（哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出FinReporting，一种代理工作流，用于跨司法管辖区的财务披露本地化报告。该系统构建了涵盖损益表、资产负债表和现金流量表的统一本体，将报告分解为可审计的阶段，并通过约束验证器提升一致性和可靠性。
Comments Accepted at ACL 2026 Demo Track. 9 pages, including figures and tables
TemplateRL: 结构化模板引导的强化学习用于大语言模型推理
机构 * Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） ； Princeton University（普林斯顿大学） ； Shanghai AI Lab（上海人工智能实验室） ； Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）
AI总结 TemplateRL通过结构化模板引导强化学习提升大语言模型推理能力，通过MCTS构建问题解决模板库并整合到RL训练中，提高轨迹命中率并减少无效探索，实验显示在AIME和AMC上表现优于GRPO。
Comments Accepted by ACL 2026
MHGraphBench: 用于评估大语言模型中心理健康知识的图知识基准
机构 * Vanderbilt University（范德比大学） ； Vanderbilt University Medical Center（范德比大学医学院） ； Virginia Tech（弗吉尼亚理工学院）
AI总结 本文提出MHGraphBench基准，评估大语言模型在心理健康实体识别、关系判断及双跳推理能力，发现模型在实体类型识别和小关系类型判断上表现优异，但在关系预测和双跳推理上仍有不足，且输出格式可靠性对性能有显著影响。
Comments Accepted to GEM 2026, ACL 2026 Workshop; 9 pages main text plus references and appendices
双层级对话策略学习用于法律探究型对话代理
机构 * Georgetown University（乔治城大学） ； Singapore Management University（新加坡国立管理学院）
AI总结 本文提出双层级强化学习框架，用于法律场景中主动提取信息的对话代理，通过协调策略管理和细粒度生成，提升法律目标达成能力。
Comments Accepted in ACL 2026 as Findings
CodeDistiller：自动为科学编码代理生成代码库
机构 * University of Arizona（亚利桑那大学） ； Allen Institute for Artificial Intelligence（人工智能研究所）
AI总结 CodeDistiller通过自动提炼科学GitHub仓库代码，生成经过验证的领域特定代码库，提升科学发现系统实验的准确性与完整性。
Comments 8 pages, 3 figures, 3 tables. Accepted to ACL 2026 (Demo Track)
认知不确定性引导的知识蒸馏用于准确分类学生误解
机构 * South China University of Technology（华南理工大学） ； Tencent Financial Technology（腾讯金融科技） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Soochow University（苏州大学） ； Zhejiang Key Laboratory of Intelligent Education Technology and Application, Zhejiang Normal University（浙江省智能教育技术与应用重点实验室，浙江师范大学）
AI总结 本文提出一种两阶段知识蒸馏框架，通过认知不确定性机制挖掘高价值样本，提升学生误解分类的准确率，实验表明在少量数据下优于现有方法。
Comments ACL 2026 Findings. 10 pages, 5 figures, 19 tables
一张图片胜过千言万语？视觉财务文档检索聚合策略的实证研究
机构 * The Hong Kong University of Science and Technology（香港理工大学）
AI总结 本文实证研究了视觉检索中聚合策略的影响，发现单一向量聚合会丢失关键信息，通过财务文档实验表明聚合会掩盖语义细节，指出全局纹理主导是根本原因。
Comments Accepted to Findings of ACL 2026
DVMap：通过高共识人口价值映射实现细粒度多元化价值对齐
机构 * TJUNLP Lab, School of Computer Science and Technology, Tianjin University, China（天津大学计算机科学与技术学院 TJUNLP 实验室，中国）
AI总结 本文提出DVMap框架，通过多维人口约束实现细粒度多元化价值对齐，利用结构化推理机制和群体相对策略优化，提升模型在跨人口、国家和价值测试中的泛化能力。
Comments Accepted to the Main Conference of ACL 2026
基于语义奖励的强化学习实现低资源语言扩展而不产生对齐税
机构 * Minzu University of China（中国民族大学） ； Ant Group（蚂蚁集团） ； Shanghai Jiao Tong University（上海交通大学） ； University of Macau（澳门大学） ； Peking University（北京大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Hainan International College, Minzu University of China（中国民族大学海南国际学院）
AI总结 本文提出基于语义空间对齐的GRPO方法，通过嵌入层语义奖励优化，减少对预训练知识的破坏性干扰，提升低资源语言扩展效果。
Comments ACL 2026 Findings
近似失误：代理工作流中的潜在策略失败检测
机构 * IBM Research（IBM研究院）
AI总结 本文提出一种新指标，用于检测代理对话轨迹中的潜在策略失败，通过分析代理工具调用决策的充分性，揭示当前评估方法的盲点。
Comments GEM@ACL2026, 13 pages
反长度偏移：动态异常截断用于训练高效的推理模型
机构 * University of Science and Technology of China（中国科学技术大学） ； Xiaohongshu Inc.（小红书公司） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 本文提出动态异常截断方法，通过在训练时抑制冗余token，提升推理模型的效率与性能，实验显示在AIME-24上推理token使用减少78%且准确率提升。
Comments Accepted by ACL2026
推理模型优于LLM-判官，但存在偏见
机构 * Institute of Science Tokyo（东京科学研究院） ； Harbin Institute of Technology（哈尔滨工业大学） ； The University of Osaka（大阪大学）
AI总结 本文系统比较了推理模型在判断任务中的表现，发现其在准确性、指令遵循和抗攻击能力上优于非推理LLM，但存在显著偏见，提出PlanJudge策略以缓解偏见问题。
Comments Accepted by ACL 2026 Workshop EvalEval
AgenticEval: 向大型语言模型的代理和自演化安全评估迈进
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； The University of Hong Kong（香港大学） ； East China Normal University（华东师范大学）
AI总结 本文提出AgenticEval框架，通过自演化评估流程动态检测LLM安全风险，实验显示模型安全评分随评估强化而下降，揭示静态评估的局限性。
Comments Findings of ACL 2026
通过可验证奖励的强化学习进行生成式平面设计
机构 * Mila – Quebec AI Institute（魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； Polytechnique Montréal（蒙特利尔理工学院） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席）
AI总结 本文提出基于LLM的平面设计方法，通过强化学习与可验证奖励提升拓扑和数值约束的满足度，优于现有方法在真实性、兼容性和多样性指标上。
Comments Accepted to Findings of ACL 2026
PolitNuggets: 评估代理发现长尾政治事实
机构 * The University of Hong Kong（香港大学）
AI总结 PolitNuggets通过构建400位全球精英的政治传记，涵盖10000多个政治事实，评估代理信息合成能力，发现当前系统在细节处理和效率上存在显著差异。
Comments 24 pages, 7 figues, accpeted in The 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026)
在多轮交互中对大语言模型的置信度估计
机构 * University of Cambridge（剑桥大学） ； Fudan University（复旦大学）
AI总结 本文研究了多轮对话中大语言模型置信度估计的问题，提出了一种评估框架和新指标，发现传统方法在多轮对话中表现不佳，而新方法更有效。
Comments ACL 2026 Findings
本地新闻仍然本地吗？：西恩斯集团收购电台的在线内容变化
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 研究探讨西恩斯集团收购本地新闻电台后，其在线内容对本地与全国性话题的报道变化，发现电台更频繁报道全国性新闻，且对具有争议性的全国性话题的报道增加。
Comments Published at NLP+CSS Workshop @ ACL 2026
KV缓存压缩的陷阱
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文研究了KV缓存压缩在多指令提示中的问题，发现某些指令在压缩后性能下降明显，提出改进KV缓存淘汰策略以提升多指令任务表现。
Comments In Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics, ACL 2026
LoVeC：强化学习用于长文生成中的更可靠的 verbalized 自信度
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出LoVeC，一种基于强化学习的方法，通过在长文生成过程中实时附加数值自信度评分，提升事实性生成的可靠性。实验表明，该方法在多个长文问答数据集上实现了更好的校准和跨领域泛化能力，且效率显著高于传统自一致性方法。
Comments ACL 2026 Main
通过监督微调紧凑LLMs实现儿童英语阅读故事生成：具有可控难度和安全性的方法
机构 * University of Florida（佛罗里达大学）
AI总结 本文通过监督微调紧凑LLMs生成儿童英语阅读故事，实现可控难度和安全性，实验表明微调模型在难度指标上优于零样本模型。
Comments Comments: 15 pages, 4 figures. Author Two and Author Three contributed equally. Accepted by the 21st Workshop on Innovative Use of NLP for Building Educational Applications (BEA 2026), ACL 2026
大型语言模型作为丹麦庇护决定中可信度评估标注者的应用：评估分类性能和错误超越聚合指标
机构 * Visual Analysis and Perception Lab（视觉分析与感知实验室） ； Pioneer Center for AI（先锋人工智能中心） ； Center of Excellence for Global Mobility Law（全球移动法律卓越中心） ； Department of Computer Science（计算机科学系）
AI总结 本文研究了大型语言模型在丹麦庇护决定文本中识别可信度评估的存在和情感的性能，引入了RAB-Cred数据集，并评估了21种模型和30种提示组合的分类效果，揭示了模型和提示选择对零样本和少样本分类的影响。
Comments Accepted at the 20th Linguistic Annotation Workshop (LAW XX), co-located with ACL 2026 (https://sigann.github.io/LAW-XX-2026/)
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