期刊&会议
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
LPO：通过位置偏好优化实现更准确的GUI代理交互
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Alibaba Group（阿里巴巴集团） ； The Chinese University of Hong Kong（香港中文大学） ； Nanjing University of Science and Technology（南京理工大学） ； The Hong Kong University of Science and Technology (Guangzhou)（广州香港科学与技术大学）
AI总结 本文提出LPO方法，通过位置偏好优化提升GUI交互精度，利用信息熵预测交互位置并引入动态位置奖励函数，实验表明其在离线和在线评估中均取得最佳性能。
Comments Accepted by ACL 2026 Findings
Among Us: 网络极客群体在主流Reddit社区中的语言表现
AI总结 研究探讨极客群体在主流论坛中的语言特征，发现其在不同社区中表现动态且受环境规范影响，需定制化干预策略。
Comments Accepted for publication at ACL 2026
推测性终点检测器用于高效的语音聊天机器人助手
机构 * POSTECH（POSTECH大学） ； HJ AILAB（HJ人工智能实验室） ； KAIST（韩国科学技术院）
AI总结 本文提出SpeculativeETD，通过轻量GRU模型和高性能Wav2vec模型结合，提升资源受限环境下的终点检测效率与准确性。
Comments ACL 2026
HalluAudio：大型音频-语言模型中幻觉检测的综合基准
机构 * College of Intelligence and Computing, Tianjin University, China（天津大学智能计算学院） ； ASUS Intelligent Cloud Services, Singapore（ASUS智能云服务）
AI总结 HalluAudio是首个大规模评估语音、环境声音和音乐中幻觉的基准，包含5000多对人工验证的问答对，通过对抗性提示和混合音频条件系统诱导幻觉，评估准确率、幻觉率、偏差等，揭示了大型音频-语言模型在声音接地、时间推理和音乐属性理解上的缺陷。
Comments Accepted to ACL 2026
位置未找到：揭示多语言大语言模型中的隐含本地和全球偏见
机构 * Google Research（谷歌研究）
AI总结 本文通过LocQA测试集研究多语言模型的本地和跨语言偏见，发现模型对美国本地信息有全球偏见，并在指令微调模型中更显著，同时在同一种语言内优先考虑人口多的地区。
Comments ACL 2026 main conference
思考大语言模型如何读取推理痕迹：自我阅读模式在定量推理中的应用
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） ； Alibaba Group, China（阿里巴巴集团，中国） ； Ant Group, China（蚂蚁集团，中国）
AI总结 研究分析思考大语言模型在定量推理中如何通过自我阅读模式整合推理痕迹，提出基于自我阅读质量的训练无关引导方法，提升推理可靠性。
Comments Accepted in the Findings of ACL 2026
LLM去毒化：从数据集本身开始
机构 * State Key Laboratory of AI Safety（人工智能安全国家重点实验室） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 本文提出HSPD方法，通过在原始语料上进行语义保留的改写，有效降低模型毒性，提升数据效用，减少后续调整成本。
Comments Accepted to Main Conference of ACL 2026
HoWToBench: LLM在人类水平写作能力的综合评估方法：写作树
机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）
AI总结 本文提出Tree-of-Writing方法，通过树状流程结构评估LLM写作能力，构建包含12类文体和1302条指令的中文写作基准，实现与人类判断的高相关性。
Comments 49 pages, 6 figures, 19 tables, ACL 2026 main
SAMoRA：基于语义的LoRA专家混合方法用于任务自适应学习
机构 * School of Computer Science and Technology, Beijing Jiaotong University, China（北京交通大学计算机科学与技术学院） ； Guangxi Key Lab of Trusted Software, Guilin University of Electronic Technology, China（广西trusted软件重点实验室，桂林电子科技大学） ； Beijing Key Lab of Traffic Data Mining and Embodied Intelligence, China（北京交通数据挖掘与具身智能重点实验室） ； Institute of AI for Industries, Chinese Academy of Sciences, China（工业人工智能研究院，中国科学院） ； Nanjing Institute of Software Technology, China（南京软件技术研究院）
AI总结 SAMoRA通过语义感知路由和任务自适应缩放机制，提升多任务学习中的专家专业化与任务适应性，实验显示其性能优于现有方法。
Comments ACL 2026 Findings
STK-Adapter：融合演进图与事件链以实现时序知识图谱外推
AI总结 本文提出STK-Adapter，通过融合演进图与事件链，解决时序知识图谱外推中空间-时间信息丢失和特征稀释问题，提升模型推理能力与泛化能力。
Comments Accepted by ACL 2026
AlignCultura: 向文化对齐的大语言模型迈进？
机构 * School of Computing, Macquarie University, Australia（麦考瑞大学计算机学院，澳大利亚）
AI总结 本文提出AlignCultura框架，通过构建HHH-English数据集和评估不同模型的文化对齐能力，提升输出的尊重性和文化多样性。
Comments Accepted at ACL Mains 2026
SAVOIR：通过基于Shapley的奖励归因学习社交能力
机构 * The University of Hong Kong（香港大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
AI总结 本文提出SAVOIR框架，基于合作博弈理论解决语言代理训练中的信用分配问题，通过预期效用转移和Shapley值实现公平奖励分配，实验显示其在SOTOPIA基准上达到新状态-of-the-art性能。
Comments ACL 2026 Findings
STAR-Teaming：一种基于策略-响应多plex网络的自动化LLM红队方法
机构 * DATUMO INC（DATUMO公司）
AI总结 本文提出STAR-Teaming，一种基于多plex网络的自动化红队方法，通过网络驱动优化生成有效攻击策略，提升LLM策略漏洞的可解释性并降低计算成本。
Comments Accepted at ACL 2026 Findings
个性化基准测试：通过个体偏好评估LLM
机构 * University of Chicago（芝加哥大学）
AI总结 本文提出个性化LLM基准测试，通过ELO评分和Bradley-Terry系数分析115名用户对LLM的排名差异，发现个体偏好与聚合排名差异显著，强调开发个性化基准的重要性。
Comments Accepted to Findings of ACL 2026
MORPHOGEN：一种多语言基准，用于评估性别意识的形态生成
机构 * SBILab, Indraprastha Institute of Information Technology Delhi（SBILab，印度理工学院信息技术研究所德里）
AI总结 MORPHOGEN通过构建三门语法有性语言的合成数据集，评估15种多语言大模型在性别意识形态生成任务中的表现，揭示当前模型在处理形态性别时的不足。
Comments 25 pages, accepted to ACL 2026 (Main)
LogosKG：硬件优化的可扩展且可解释的知识图谱检索
机构 * LARK Lab, University of Colorado Anschutz（洛克拉克实验室，科罗拉多大学安施图茨分校） ； University of Colorado Boulder（科罗拉多大学波德分校） ； Loyola University Chicago（芝加哥洛克拉克大学） ； Harvard Medical School（哈佛医学院） ； Boston Children’s Hospital（波士顿儿童医院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 LogosKG通过符号知识图谱和硬件高效操作实现大规模知识图谱的多跳检索，提升效率与可解释性，展示出在生物医学知识与大语言模型推理对齐分析中的应用价值。
Comments Accepted to the ACL 2026 Main Conference. 9 pages
对抗性环境如何误导代理AI？
机构 * Imperial College London（伦敦帝国学院）
AI总结 研究指出代理AI在依赖外部工具时存在信任缺口，提出对抗性环境注入威胁模型，通过POTEMKIN协议测试发现，对抗性攻击导致代理在知识和导航鲁棒性上存在差异。
Comments Accepted to Findings of the Association for Computational Linguistics: ACL 2026
实验还是结果？在大型语言模型中探测科学可行性
机构 * University of Maryland, Baltimore County（马里兰大学巴尔的摩分校）
AI总结 本文探讨了在大型语言模型中科学可行性的评估，发现提供结果证据比实验描述更可靠，结果能提升准确性，而实验文本可能因上下文不完整而退化。
Comments Accepted at ACL 2026
面向类别不平衡适应的模型无关元学习
机构 * University of Memphis（密苏里大学）
AI总结 本文提出HAMR框架，通过双层优化和邻域感知重采样解决类别不平衡问题，实验表明在多个领域数据集上有效提升少数类性能。
Comments Accepted to Findings of ACL 2026
通过幽默探讨语言模型中身份相关的反事实不公平性
机构 * Yonsei University（延世大学） ； KAIST（韩国科学技术院） ； Seoul National University（首尔国立大学） ； Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）
AI总结 本文通过观察在保持其他因素不变的情况下交换说话者和被指对象，研究语言模型在幽默生成拒绝、说话者意图推断及社会影响预测中的反事实不公平性，揭示身份相关的偏见模式。
Comments Accepted to ACL 2026 Main Conference. The first two authors contributed equally. The last three authors are co-corresponding authors
时间跨度中的脚本：翻译学在自然语言处理中演变角色的综述
机构 * Nilekani Centre at AI4Bharat（AI4Bharat的Nilekani中心） ； Indian Institute of Technology Madras（印度理工学院马德拉斯分校） ； Indian Institute of Engineering, Science and Technology（印度工程、科学与技术学院）
AI总结 本文综述了翻译学在跨语言NLP中的应用，分析了其在语言模型中的演变和有效性，讨论了关键权衡，并提供了针对不同语言、任务和资源约束的翻译策略建议。
Comments 9 pages, ACL 2026 (Findings)
探测阅读时间
机构 * ETH Zürich（苏黎世联邦理工学院） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； University College London（伦敦大学学院）
AI总结 本文通过眼动追踪数据，利用正则化线性回归比较语言模型各层表示在预测阅读时间等指标上的表现，发现早期层表示在预测早期眼动指标上优于 surprisal，但对总阅读时间而言 surprisal 仍更优。
Comments ACL 2026 (main conference)
超越显式拒绝：针对检索增强生成的软故障攻击
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Shenzhen Institute for Advanced Study（深圳先进研究所）
AI总结 本文提出DEJA攻击框架，通过进化优化生成对抗文档，诱导系统产生非信息性但流畅的响应，降低回答确定性，实验显示其在多个RAG配置中有效，SASR超过79%。
Comments 22 pages, Accepted to the ACL 2026 Main Conference
易于获取的样本足矣：通过数据高效的强化学习实现自演化大语言模型
机构 * Peking University（北京大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Nankai University（南开大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出EasyRL方法，通过结合易标注数据的知识转移与逐步分治策略，实现大语言模型的数据高效自演化，实验表明仅使用10%的易标注数据即可超越现有最佳基线。
Comments Accepted to Findings of ACL 2026
Agent-GWO: 为大型语言模型的动态提示优化设计的协作代理
机构 * Kyung Hee University（韩国庆熙大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Nota Inc.（Nota公司） ； Tongji University（同济大学）
AI总结 本文提出Agent-GWO框架，通过统一提示模板和解码超参数作为可继承的代理配置，利用灰狼优化器的领导者-追随者机制，自动选择领导者代理以指导协作更新，提升复杂推理的准确性和稳定性。
Comments Accepted to ACL 2026. 9 pages, 5 figures
MASS-RAG：多代理合成检索增强生成
机构 * School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院） ； Department of Mathematical Sciences, Tsinghua University（清华大学数学科学系）
AI总结 MASS-RAG通过多代理结构处理证据，提升检索增强生成在噪声、不完整或异质证据下的表现，实验显示其在相关证据分散于检索结果时性能更优。
Comments ACL 2026 Findings, 19 pages
STaD：基于支架任务设计的LLM组合技能缺口识别
机构 * IBM Research（IBM研究院）
AI总结 STaD框架通过生成受控变体任务，系统探测LLM在组合技能上的不足，揭示不同模型的独特技能缺口。
Comments 9 pages, 3 figures, 3 tables, ACL Findings 2026
多智能体大语言模型系统中的多样性崩溃：结构耦合与开放性创意生成中的集体失败
机构 * National University of Singapore（国立新加坡大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 研究探讨了多智能体系统在开放性创意生成中多样性崩溃的原因，揭示了结构耦合导致的集体失败，强调了在设计创意任务时保持独立性和分歧的重要性。
Comments 56 pages, 15 figures; Accepted at ACL 2026 Findings
EHRAG：通过混合超图构建与检索弥合语义鸿沟的轻量级图RAG
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学）
AI总结 EHRAG通过构建融合结构与语义关系的超图，结合结构-语义混合检索机制，提升轻量级图RAG的语义关联能力，在保持线性索引复杂度的同时优于现有基线模型。
Comments Accepted by Findings of ACL2026
REZE：用于领域自适应文本嵌入预微调的表示正则化
机构 * PwC Korea GenAI Team（PwC韩国生成人工智能团队）
AI总结 REZE通过控制嵌入预微调中的表示偏移，解决传统对比预微调在领域适应中引入的任务偏置问题，提升嵌入空间稳定性与性能。
Comments ACL 2026 Main
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