期刊&会议
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
一个单一的枢纽文本破坏CLIP：通过枢纽性揭示跨模态编码器的漏洞
机构 * NTT, Inc.（NTT公司） ； Nara Institute of Science and Technology（奈良科学技术大学）
AI总结 本文提出方法识别枢纽嵌入及其对应文本，揭示跨模态编码器的漏洞，实验显示单一枢纽文本在图像描述评估中表现优异，暴露了编码器的缺陷。
Comments Accepted at ACL2026 (main)
优化优先于评估：未经优化的提示进行评估可能是误导的
机构 * SAP（SAP公司） ； Stanford University（斯坦福大学）
AI总结 本文研究了提示优化对大语言模型评估的影响，发现优化显著影响模型排名，强调在评估中应针对每个模型进行优化以选择最佳模型。
Comments Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 6: Industry Track)
RoadMapper: 一个用于解决复杂研究问题的路线图生成的多智能体系统
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； IDEA Research（IDEA研究院） ； Hithink RoyalFlush Information Network Co., Ltd.（Hithink RoyalFlush信息网络有限公司）
AI总结 本文提出RoadMapper，一个基于LLM的多智能体系统，通过分解任务生成高质量路线图，提升LLM在复杂问题解决中的性能，效率提升84%。
Comments Accepted to Findings of ACL 2026
APPSI-139: 一个平行语料库，用于英语应用隐私政策的摘要与解释
机构 * Tianjin University（天津大学） ； Zhejiang University（浙江大学） ； North University of China（北方工业大学） ； Institute of Science Tokyo（东京科学研究所） ； The Hong Kong Polytechnic University（香港理工大学） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高新技术区（滨江）区块链与数据安全研究院）
AI总结 本文提出APPSI-139平行语料库，包含139个隐私政策及15,692个改写语料，结合TCSI-pp-V2框架提升摘要与解释的可读性与可靠性，优于GPT-4o等大模型。
Comments Accepted to ACL 2026 Main Conference
基于可验证观测的信念引导推理控制：通过可验证观测实现大语言模型服务
机构 * The University of Hong Kong（香港大学） ； Sun Yat-sen University（中山大学）
AI总结 本文提出Veroic框架，通过构建轻量级可验证观测通道，利用聚合的异质质量信号形成信念状态，以实现更优的质量-成本权衡、更强的风险估计和更稳健的长期推理控制。
Comments Accepted by KnowFM@ACL2026
通过因果驱动的推理时干预去偏奖励模型
机构 * Human Informatics Labs., NTT, Inc.（NTT人类信息学实验室）
AI总结 本文提出因果驱动的干预方法，用于在推理时减轻奖励模型中的多种偏差。通过抑制与预定义偏差属性强相关的神经元激活，减少对虚假特征的敏感性，同时保持性能。
Comments Accepted to ACL 2026 Main Conference
ScaleBox：实现大规模语言模型高保真和可扩展的代码验证
机构 * Chinese Information Processing Laboratory（中国科学院信息处理实验室） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 ScaleBox通过自动化特殊判题生成与管理、细粒度并行执行和配置驱动的评估套件，提升大规模代码训练的验证准确性和效率，显著优于基线方法。
Comments Accepted to ACL 2026 Demo. Our project is available at https://github.com/icip-cas/ScaleBox
为何均值池化有效：量化文本嵌入中的二次崩溃
机构 * Tohoku University（东洋大学） ； The University of Tokyo（东京大学） ； Kyoto University（京都大学） ； RIKEN（日本科学技术研究所） ； MBZUAI ； NINJAL
AI总结 本文研究均值池化在真实模型中的有效性，发现其可能造成信息丢失，但现代文本编码器对这种崩溃具有鲁棒性，且鲁棒性与下游任务性能相关。
Comments ACL 2026 Main Conference; GitHub: https://github.com/tohoku-nlp/socm-text-embedding
探究更可解释且无分区的组合性估计方法：从规则生成的角度
机构 * National Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University（国家多媒体信息处理重点实验室，计算机学院，北京大学） ； OPPO AI Center（OPPO人工智能中心）
AI总结 本文提出从规则生成角度评估LLM组合性的新方法，解决现有测试的局限性，通过字符串到网格任务实验揭示LLM的组合性特征与不足。
Comments Accepted at ACL 2026 main conference
要进行差异生成还是不进行差异生成？面向高效LLM代码编辑的结构感知和自适应输出格式
机构 * State Key Laboratory for Novel Software Technology, Nanjing University, China（新型软件技术国家重点实验室，南京大学，中国） ； Tongyi Lab, Alibaba Group, China（通义实验室，阿里巴巴集团，中国）
AI总结 本文提出BlockDiff和FuncDiff两种结构感知差异格式及AdaEdit策略，通过减少生成复杂度提升长代码编辑效率，准确度与全代码生成相当，降低30%以上延迟和成本。
Comments Accepted in the Findings of ACL 2026
超越黑盒标签：可解释的诊断标准用于主观NLP任务
机构 * CReSTIC, Université de Reims Champagne-Ardenne（里摩日香槟-阿登大学CReSTIC研究中心） ； Chochoy Conseil（Chochoy咨询公司）
AI总结 本文提出一种在确定金标签前审计注释方案的可解释诊断方法，用于识别主观NLP任务中分歧的根源，通过分析多注释者标准判断，发现分歧集中在少数标准上，且近半数句子激活多个类别。
Comments Accepted to ACL Findings 2026
通过排列感知GRPO缓解大语言模型中的选择偏差
机构 * School of Economics and Management, East China Normal University（东华大学经济管理学院）
AI总结 本文提出PA-GRPO方法，通过强制排列一致的语义推理来缓解大语言模型中的选择偏差，实验显示其在七个基准测试中表现优异，有效减少偏差同时保持高性能。
Comments Accepted to ACL 2026 Main Conference. 19 pages, 3 figures, 6 tables
MoRI: 在大语言模型中学习基于动机的推理以进行科学构想
机构 * School of Economics and Management, East China Normal University（东华大学经济管理学院）
AI总结 MoRI通过强化学习奖励机制提升大语言模型在科学构想中的推理能力，优于现有方法，在新颖性、技术严谨性和可行性方面表现突出。
Comments Accepted to ACL 2026 Main Conference
EDU-CIRCUIT-HW：评估多模态大语言模型在真实世界大学级STEM学生手写解答中的表现
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Virginia Tech（弗吉尼亚理工学院）
AI总结 本文提出EDU-CIRCUIT-HW数据集，用于评估多模态大语言模型在处理包含数学公式、图表和文本推理的大学STEM学生手写解答中的性能，揭示模型在自动评分中的可靠性问题，并提出通过纠正识别错误提升AI评分系统鲁棒性的方法。
Comments Accepted to Findings of the Association for Computational Linguistics: ACL 2026. Project Website: https://gt-learning-innovation.github.io/CIRCUIT_EDU_HW_ACL GitHub and Dataset: https://gt-learning-innovation.github.io/CIRCUIT_EDU_HW_ACL
RPC-Bench: 一项针对研究论文理解的细粒度基准测试
机构 * Xinjiang University（新疆大学） ； Renmin University of China（中国人民大学） ； Anhui University（安徽大学） ； Sun Yat-sen University（中山大学） ； Tsinghua University（清华大学） ； University of Southampton（南安普顿大学）
AI总结 本文提出RPC-Bench，通过高质量计算机科学论文的评审反驳交流构建，包含15000对人工验证的问答对，设计细粒度分类评估模型在学术场景中理解并回答为何、什么和如何问题的能力，揭示即使最强模型在精确学术论文理解上仍有显著差距。
Comments ACL'26, 12 pages, 23 appendix pages
PPA-Plan: 长上下文LLM推理中的前瞻性坑洞避免规划
机构 * Hanyang University（翰阳大学） ； University of California, Santa Barbara（加州大学圣芭芭拉分校）
AI总结 针对长上下文推理中计划生成不可靠的问题，PPA-Plan通过前瞻性策略预防逻辑错误，提升计划执行效果。
Comments Accepted to the Main Conference of the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026). 27 pages, 6 figures
TiMem：用于长时域对话代理的时序-层次记忆巩固
机构 * Institute of Automation, CAS（中国科学院自动化研究所） ； School of Artificial Intelligence, UCAS（中国科学技术大学人工智能学院） ； AI Lab, AIGility Cloud Innovation（AIGility云创新AI实验室） ； North China Electric Power University（华北电力大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Gaoling School of Artificial Intelligence, RUC（中国人民大学高陵人工智能学院） ； School of Biomedical Engineering, USTC（中国科学技术大学生物医学工程学院） ； Suzhou Institute for Advance Research, USTC（中国科学技术大学苏州市先进研究院） ； School of Computer Science and Technology, BJTU（北京理工大学计算机科学与技术学院） ； Hunan Central South Intelligent Equipment Co., Ltd.（湖南中南智能装备有限公司）
AI总结 TiMem通过时序记忆树实现对话记忆的系统性巩固，提升长时域个性化效果，实现75.30%和76.88%的基准测试准确率。
Comments ACL 2026 Findings
通过可验证准确性和回避奖励的课程强化学习缓解多轮对话中的迷失问题
机构 * University of Maryland（马里兰大学） ； Amazon（亚马逊）
AI总结 本文提出RLAAR框架，通过可验证准确性和回避奖励的课程强化学习，减少多轮对话中因提前回答导致的性能下降，提升模型可靠性。
Comments ACL2026, camera-ready
当个性化技巧欺骗检测器：机器生成文本检测中的特征反向陷阱
机构 * MBZUAI ； ByteDance（字节跳动） ； National University of Singapore（新加坡国立大学） ； Wuhan University（武汉大学）
AI总结 本文提出了一种检测器在个性化文本中性能变化的预测方法，揭示了特征反向陷阱对检测器鲁棒性的影响，并通过实验验证了该方法的有效性。
Comments Oral of ACL 2026
时间交叉编码：在LLM预训练过程中追踪语言表示的出现与巩固
机构 * EPFL（瑞士联邦理工学院） ； Boston University（波士顿大学）
AI总结 通过稀疏交叉编码器追踪LLM预训练中语言表示的演变，引入RelIE指标分析特征对任务性能的因果影响，实现对表示学习的可解释性分析。
Comments Accepted to ACL 2026
SHAPE：统一安全、帮助性和教学法以用于教育LLM
机构 * Center for Data Science, New York University Shanghai（纽约大学上海数据科学中心） ； Courant Institute of Mathematical Sciences, New York University（纽约大学Courant数学科学研究所） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院）
AI总结 本文提出SHAPE基准，通过知识掌握图统一安全、帮助性和教学行为，改进教育LLM在对抗压力下的安全性和帮助性。
Comments ACL 2026 Main
证据树：高效的'系统2'搜索用于忠实的多模态接地
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出Tree-of-Evidence算法，通过离散优化问题实现多模态模型的可解释性，通过证据瓶颈和束搜索生成可审计的证据集，保留高预测性能并提升决策一致性。
Journal ref ACL 2026 Findings
在对话中LLM的推理变得更难
机构 * Charles University, Faculty of Mathematics and Physics（查理大学数学与物理系） ； Institute of Formal and Applied Linguistics（形式与应用语言学研究所）
AI总结 本文研究了在对话场景中LLM的推理能力，通过BOULDER基准测试发现，对话环境显著影响LLM性能，揭示了对话多轮交互对推理能力的挑战。
Comments Accepted at ACL 2026 (Main)
教LLM变得有说服力：来自异质奖励的强化学习后训练政策优化
机构 * Fliggy Alibaba（飞猪阿里）
AI总结 本文提出REPO方法，通过结合偏好训练奖励模型、LLM作为判断者和规则奖励函数，提升在线旅行社的价格谈判对话质量，实验显示在对话评分、优秀回应比例和坏案例修复率上均有显著提升。
Comments accepted by ACL 2026 indusry track
ProxyPrompt：抵御提示提取攻击的系统提示安全机制
AI总结 本文提出ProxyPrompt，通过替换原始提示以防止提示泄露，有效保护94.70%的提示免受提取攻击，优于现有防御方法。
Comments Accepted as Findings of ACL 2026.Code: https://github.com/boschresearch/proxyprompt
人类风格的文本是否受到人类欢迎？多语言人类检测与对抗AI的偏好
机构 * MBZUAI ； Nebius AI ； KU Leuven ； University of Oslo（奥斯陆大学） ； ISTI-CNR ； Toloka AI ； New York University Abu Dhabi（纽约大学阿布扎比分校） ； BKAI Research Center, Hanoi University of Science and Technology（BKAI研究所以内大学科学技术大学） ； Cornell University（康奈尔大学） ； Zewail City of Science and Technology（泽韦尔科学与技术城） ； TU Darmstadt（图鲁姆大学） ； CIC, University of Delhi（CIC，德里大学） ； Alexandria University（亚历山大大学） ； University of Florida（佛罗里达大学） ； Institute of Science Tokyo（东京科学研究院）
AI总结 研究通过多语言多领域数据集验证人类识别AI生成文本的准确性，发现人类检测准确率达87.6%，挑战原有结论，指出人类与机器文本在具体性、文化细微差别和多样性上的差距，提示明确提示可部分弥补这些差距。
Comments ACL 2026 Main
OCR-Memory：光学上下文检索用于长周期智能体记忆
机构 * The University of Hong Kong（香港大学） ； University of North Texas（北得克萨斯大学） ； University of Tsukuba（筑波大学） ； Yonsei University（延世大学）
AI总结 OCR-Memory通过视觉模态高密度表示智能体经验，实现长周期记忆存储与检索，减少token消耗并提升证据恢复准确性。
Comments Accepted to ACL 2026 (Main Conference)
TLPO：基于令牌级别的策略优化以缓解大语言模型中的语言混淆
机构 * Samsung SDS（三星SDS）
AI总结 本文提出TLPO，通过令牌级优化缓解大语言模型中的语言混淆问题，通过局部更新提升语言一致性，同时保持下游任务准确性。
Comments Accepted to the main conference of ACL 2026
树-文本：一种基于树的提示框架，用于体育领域中的表格到文本生成
机构 * National Yang Ming Chiao Tung University
AI总结 本文提出Tree-of-Text框架，通过三阶段生成过程提升表格到文本生成的精度与效率，在多个体育数据集上表现优异。
Comments Accepted by ACL SRW 2025: Long Paper (Oral)
CO-EVO: 用于联邦域泛化的语义锚定与风格多样化协同进化
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） ； QiYuan Lab（启元实验室） ； School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； School of Software, Tsinghua University（清华大学软件学院）
AI总结 本文提出CO-EVO框架，通过语义净化与风格扩展的协同机制，解决联邦域泛化中因客户端风格差异导致的语义冲突问题，实现跨域泛化性能提升。
Comments Accepted at ACL 2026 (Main Conference)
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