期刊&会议
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
Evian：迈向可解释的视觉指令微调数据审计
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； ByteDance Seed（字节跳动种子）
AI总结 本文提出Evian框架，通过分解评估模型响应的三大认知组件，解决数据审计中逻辑一致性与事实准确性不足的问题，验证高质量小规模数据优于大规模低质量数据。
Comments Accepted at ACL 2026
HiGMem：一种分层且基于LLM的长期对话代理内存系统
机构 * East China Normal University（东华大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 HiGMem通过分层事件-对话轮次内存系统，利用事件摘要作为语义锚点，提升检索效率和证据集可靠性，优于现有方法。
Comments Accepted to Findings of the Association for Computational Linguistics: ACL 2026. Camera-ready version. 10 pages, 2 figures. Code: https://github.com/ZeroLoss-Lab/HiGMem
记忆、涌现与解释反转失败：对LLMs中关系语义的受控研究
机构 * Kyoto University（京都大学） ； University of Tokyo（东京大学） ； NII LLMC（日本信息处理学会LLMC） ； RIKEN（理化学研究所）
AI总结 研究通过受控知识图谱框架探讨LLMs在关系任务中的记忆、逻辑推理和泛化能力，发现关系语义在足够逻辑监督下涌现，并揭示反转失败主要由自回归顺序偏差引起。
Comments ACL2026 Main Long Paper
CodeRL+: 通过执行语义对齐改进代码生成
机构 * School of Computer Science, Peking University（北京大学计算机科学系） ； Tongyi Lab, Alibaba Group（阿里集团通义实验室） ； School of Computer Science, Wuhan University（武汉大学计算机科学系）
AI总结 本文提出CodeRL+，通过将执行语义对齐整合到RLVR训练流程中，提升代码生成的准确性，实验显示其在pass@1指标上平均提升4.6%。
Comments Accepted by ACL 2026
从节点到叙事：利用LLM和图上下文解释图神经网络
机构 * University of Illinois Chicago（伊利诺伊大学香槟分校） ； Indian Institute of Technology Kharagpur（印度理工学院Khargapur分校）
AI总结 本文提出GSPELL框架，利用大语言模型生成图神经网络预测的可解释性解释，通过将节点嵌入投影到LLM嵌入空间并构建混合提示，提升解释的准确性和简洁性。
Comments Accepted to ACL 2026
发现共享的逻辑子空间：通过自然语言和符号视角的对齐来引导LLM逻辑推理
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Computer & Information Science and Engineering, University of Florida（佛罗里达大学计算机与信息科学与工程系）
AI总结 本文提出通过对齐自然语言和符号视角的逻辑子空间来提升LLM的多步逻辑推理能力，通过实验验证该方法在四个基准测试中提升了准确率并具备良好的泛化能力。
Comments Accepted to ACL 2026
答案只是开始：面向开放性文档引导问答的相关洞察生成
机构 * Adobe Research（Adobe研究） ； University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 本文提出文档引导相关洞察生成任务，通过构建主题表示和选择相关上下文生成多样化洞察，提升开放性问答体验。
Comments Paper accepted at ACL Findings 2026
SafetyALFRED：评估多模态大语言模型的安全意识规划
机构 * University of Michigan（密歇根大学） ； Boise State University（博伊西州立大学）
AI总结 本文提出SafetyALFRED，基于ALFRED基准测试，引入六类厨房真实世界危险，评估多模态大语言模型在安全意识规划中的表现，发现静态QA评估不足，需转向强调具身环境中的纠正行动的基准。
Comments Work accepted at ACL 2026 Findings
通过注意力图在推理时间检测语音大语言模型中的幻觉
机构 * University of Edinburgh（爱丁堡大学） ； Amazon AGI（亚马逊人工智慧实验室）
AI总结 本文提出四种基于注意力的指标，用于检测语音大语言模型中的幻觉，通过轻量级逻辑回归分类器实现高效推理检测，在多个任务中优于基线方法，展示了注意力模式在检测幻觉中的价值。
Comments Accepted to Findings of ACL 2026
通过辩证对齐平息代理中的行动者-观察者不对称性
机构 * National University of Singapore（国立新加坡大学） ； Sichuan University（四川大学） ； University of Minnesota Twin Cities（明尼苏达大学双城分校） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳分校） ； University of Oxford（牛津大学）
AI总结 本文提出ReTAS模型，通过辩证对齐方法减少代理中的行动者-观察者不对称性，提升故障解决能力。
Comments ACL 2026 Main Conference. Project page: https://unikcc.github.io/ReTAS/
从经验到技能：通过可重用策略学习的多智能体生成引擎优化
机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Central South University（中南大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Sun Yat-sen University（中山大学） ； Ramus ； Hong Kong University of Science and Technology (GuangZhou)（香港科技大学（广州））
AI总结 本文提出MAGEO框架，通过协调规划、编辑和基于保真的评估，实现生成引擎优化，结合双轴指标DSV-CF和双分支评估协议，提升内容编辑的语义可见性和归因准确性。
Comments ACL 2026 Findings
LePREC：基于结构因素的推理作为分类，以评估法律问题的相关性
机构 * Faculty of Information Technology, Monash University, Australia（墨尔本大学信息技术学院，澳大利亚） ； School of Information Technology, Monash University Malaysia（墨尔本大学马来西亚分校信息学院） ； School of Business, Monash University Malaysia（墨尔本大学马来西亚分校商学院） ； Faculty of Law, Monash University, Australia（墨尔本大学法学院，澳大利亚）
AI总结 本文提出LePREC框架，结合神经生成与结构统计推理，提升法律问题识别的精度，实验表明其比先进LLM基线提升30-40%。
Comments Accepted by ACL 2026 Main Conference
什么使一个LLM成为好的优化器？LLM引导的进化搜索轨迹分析
机构 * Univ. Grenoble Alpes, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、国家科学研究中心、格勒诺布尔INP、LIG实验室）
AI总结 研究通过分析15个LLM在8个任务上的优化轨迹，发现初始能力相似的模型会产生差异大的搜索轨迹，强优化器表现为局部细化，弱优化器则出现语义漂移，解决方案新颖性只有在搜索保持局部化时才有效。
Comments 9 pages, 8 figures, Accepted at Findings of ACL 2026
迷失在翻译中：大型视觉-语言模型（LVLM）的评判者是否能跨语言泛化？
机构 * York University（约克大学） ； University of Alberta（阿尔伯塔大学） ； Nanyang Technological University（南洋理工大学） ； Salesforce AI Research（Salesforce AI研究）
AI总结 本文提出MM-JudgeBench，首个多语言多模态评判模型评估基准，包含60000+跨25种语言的配对偏好实例，揭示了LVLM评判器在跨语言性能上的显著差异，指出模型大小和架构并非多语言鲁棒性的良好预测因素。
Comments Accepted at ACL 2026 Findings
GRASPrune：基于预算的大型语言模型结构剪枝的全局门控
机构 * Beijing Institute of Technology（北京理工大学） ； Shenzhen University（深圳大学） ； Osaka University（大阪大学）
AI总结 GRASPrune通过全局预算约束联合剪枝FFN通道和KV头部组，采用轻量门分数学习和投影直通估计器，在保持模型权重冻结的情况下实现高效剪枝，并通过校准缩放因子提升推理性能。
Comments Accepted to ACL 2026 Main Conference
自洽性是否能提升百科知识的回忆能力？
机构 * CyberAgent
AI总结 本文通过建立MMLU基准的百科知识回忆分割，验证了自洽性在符号推理和百科知识回忆中的提升效果，使用GPT-4o达到MMLU 89%的准确率。
Comments ACL 2026
持续预训练能否缩小通用与专用语言模型在医疗领域的性能差距？
机构 * Fraunhofer IAIS（弗劳恩霍夫人工智能研究所） ； Lamarr Institute（拉马尔研究所）
AI总结 本文通过持续预训练和融合技术，缩小专用模型与大通用模型的性能差距，构建了DeFineMed模型家族，证明专用模型在医疗任务中具有竞争力。
Comments Accepted to the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026, San Diego, California, July 2 - 7, 2026) as a main conference paper
大语言模型在工业部署中经济上可行吗？
机构 * DSEU-Okhla ； University of Delhi（德里大学） ； Macquarie University（麦考瑞大学） ； Center for SDGC（SDGC研究中心） ； Stanford University（斯坦福大学）
AI总结 本文提出EDGE-EVAL框架，评估大语言模型在工业场景中的全生命周期性能，引入五个部署指标，揭示模型在经济性和能效上的效率前沿及异常现象。
Comments Accepted at ACL 2026 (Industry Track)
MM-JudgeBias：一个评估MLLM-as-a-Judge中组合偏见的基准
机构 * Seoul National University（首尔国立大学） ； NAVER Cloud AI（NAVER云AI） ； KAIST AI（韩国科学技术院人工智能实验室）
AI总结 本文提出MM-JudgeBias基准，通过引入控制扰动和两个互补指标，评估MLLM-as-a-Judge中的组合偏见，揭示了九种偏见类型，并发现现有模型存在模态忽视和评估倾向性问题。
Comments ACL 2026 Main
谁监督监督者？人类对未见领域中翻译度量标准的分歧
机构 * University of Göttingen（哥廷根大学）
AI总结 本文通过跨领域误差跨度标注数据集分析，发现自动度量在领域转移下表现稳健，但需考虑人类标注变异，建议比较度量与人类一致性和标注者间一致性。
Comments Accepted at ACL2026 (Findings)
多任务强化学习用于增强多模态大语言模型作为裁判
机构 * Meta AI ； Hong Kong University of Science and Technology（香港科技大学） ； Emory University（埃默里大学）
AI总结 本文提出MT-RL-Judge框架，通过多任务强化学习优化多模态大语言模型作为裁判，提升判断一致性和与人类偏好的相关性，并在分布外任务中展现鲁棒泛化能力。
Comments ACL 2026 Industry Track
See2Refine：视觉语言反馈提升基于LLM的eHMI动作设计
机构 * The University of Tokyo（东京大学） ； University College London（伦敦大学学院） ； Google（谷歌）
AI总结 See2Refine通过视觉语言模型的反馈机制，提升基于大语言模型的eHMI动作设计能力，实现无需人工干预的闭环改进，优于传统提示和人工指定基线。
Comments Accepted to ACL2026
提示顺序中的迷失：揭示语言模型因果注意力的局限性
机构 * POSTECH（POSTECH大学） ； HJ AILAB（HJ人工智能实验室）
AI总结 研究揭示了语言模型对提示顺序的敏感性，通过系统分析发现因果注意力是核心机制，指出在多项选择问答中，上下文先于问题和选项的顺序能提升性能14%以上。
Comments ACL 2026 findings
多跳问答中的故障模式：最弱链接效应与识别瓶颈
机构 * University of Cambridge（剑桥大学）
AI总结 研究揭示多跳问答中LLM因位置偏见导致的识别与综合失败机制，提出MFAI方法解决识别瓶颈，提升低可见性位置准确率，并展示系统2推理模型在长上下文中的有效性。
Comments Accepted at ACL 2026
BAPO：面向可靠代理搜索的边界感知策略优化
机构 * Institute of Artificial Intelligence, Xiamen University（厦门大学人工智能研究院） ； Meituan Inc.（美团公司） ； School of Informatics, Xiamen University（厦门大学信息学院） ； Westlake University（西湖大学） ； Jilin University（吉林大学） ； Key Laboratory of Digital Protection and Intelligent Processing of Intangible Cultural Heritage of Fujian and Taiwan (Xiamen University), Ministry of Culture and Tourism, China（福建省和台湾非物质文化遗产数字化保护与智能处理重点实验室（厦门大学），中华人民共和国文旅部，中国）
AI总结 BAPO通过引入边界感知奖励和自适应奖励调节器，提升代理搜索的可靠性，避免过度依赖IDK响应，实验表明其显著增强可靠性。
Comments ACL 2026 Conference. Code is available at https://github.com/Liushiyu-0709/BAPO-Reliable-Search
AI生成的说服能否被检测？Persuaficial基准与AI与人类语言差异
机构 * NASK National Research Institute（波兰国家科研 institute） ； University of Padua（意大利帕多瓦大学） ； Polish-Japanese Academy of Information Technology（波兰-日本信息科技学院）
AI总结 本文探讨LLM生成的说服内容是否更难自动检测，通过Persuaficial基准对比人类与AI生成文本的语言差异，揭示细微说服策略对检测性能的影响。
Comments Accepted to ACL 2026 Main Conference
SpecAgent：一种用于代码补全的推测性检索与预测代理
机构 * UC Berkeley（加州大学伯克利分校） ； Amazon Web Services（亚马逊网络服务）
AI总结 SpecAgent通过预索引探索和构建推测上下文，提升代码生成质量与推理效率，实验显示其在代码补全任务中比基线模型提升9-11%，显著降低推理延迟。
Comments In Proceedings of the Sixty-Fourth Annual Meeting of the Association for Computational Linguistics (2026)
用于表达性文本到语音的计算叙述理解
机构 * Deezer Research（DeepZ 研究院） ； Loria（洛林实验室） ； IDIAP（日内瓦人工智能实验室）
AI总结 本文提出LibriQuote数据集，通过增强语音语料库的表达性，提升文本到语音系统的表达力和可懂度，同时公开数据集和评估资源以促进可重复性。
Comments Findings of ACL 2026
SitEmb-v1.5：改进的上下文感知密集检索用于语义关联和长故事理解
机构 * HKUST（香港科技大学） ； WeChat AI, Tencent（腾讯微信AI） ； IIE-CAS（国际 Institute 中国科学院） ； Zhejiang University（浙江大学）
AI总结 本文提出SitEmb模型，通过将短片段与更广的上下文窗口结合，提升长文档检索性能，实验表明其在书本情节检索任务中优于现有模型，且在多语言和下游任务中表现优异。
Comments ACL 2025 Main Conference. Our trained models can be downloaded from: https://huggingface.co/SituatedEmbedding
基于MLLM的视觉丰富文档理解综述：方法、挑战与新兴趋势
机构 * The University of Western Australia（西澳大学） ； The University of Melbourne（墨尔本大学） ； Weill Cornell Medicine（韦尔·柯尔医学中心）
AI总结 本文综述了基于MLLM的视觉丰富文档理解最新进展，探讨了文本、视觉和布局特征的表示与整合技术，以及预训练、指令微调等训练方法，分析了数据稀缺、多页文档处理等挑战及新兴趋势。
Comments Accepted at ACL 2026 Findings
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