期刊&会议
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
ReFEree：一种用于评估现实世界代码总结事实一致性的方法
AI总结 本文提出ReFEree，一种无需参考的细粒度方法，用于评估现实世界代码总结中的事实一致性。通过定义特定于代码总结的事实不一致标准，并在段落层面进行评估，最终获得细粒度评分。
Comments Accepted to ACL 2026 main. 25 pages
CARO：用于鲁棒内容审核的类比推理优化
机构 * National Engineering Laboratory for Big Data System Computing Technology（大数据系统计算技术国家工程实验室） ； Shenzhen University（深圳大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学）
AI总结 CARO通过两阶段训练框架提升LLM的类比推理能力，有效缓解内容审核中的误导性决策短路问题，实验显示其在模糊审核基准上平均F1得分提升24.9%。
Comments Accepted to ACL 2026 findings; under official publication process
CHAIRO：面向LLMs的上下文分层类比归纳与推理优化
机构 * National Engineering Laboratory for Big Data System Computing Technology（国家大数据系统计算技术工程实验室） ； Shenzhen University（深圳大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出CHAIRO框架，通过类比示例提升规则归纳和决策可靠性，在内容审核中实现更准确和可解释的规则生成。
Comments Accepted to ACL 2026 main conference; under official publication process
从查询到建议：基于多智能体框架和数据集的结构化推理用于法律咨询
机构 * Australian Artificial Intelligence Institute (AAII), University of Technology Sydney（悉尼科技大学澳大利亚人工智能研究所） ； School of Computer Science, University of Birmingham（伯明翰大学计算机科学学院）
AI总结 本文提出JurisCQAD数据集和JurisMA框架，通过结构化任务分解和多智能体协作，提升法律咨询问答的准确性与解释性。
Comments Accepted by ACL 2026 Main conference
对话连贯性与基于响应的上下文重写用于多方对话生成
机构 * School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）
AI总结 本文提出DRCR框架，通过对话上下文重写提升多方对话生成效果，利用对话连贯性和响应质量构建偏好数据，并采用动态自进化学习方法增强重写与响应能力。
Comments ACL 2026 Main Conference
TalkLoRA: 一种面向通信的低秩适应混合框架用于大语言模型
机构 * Anhui University（安徽大学） ； Hefei University（合肥大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 TalkLoRA通过引入专家间通信机制，提升LoRA在大语言模型中的参数效率和路由稳定性，实现在多种任务中更高效和均衡的专家路由。
Journal ref ACL 2026
GameplayQA: 一种用于3D虚拟代理多视频理解的决策密集型视角同步评估框架
机构 * University of Southern California（南加州大学）
AI总结 GameplayQA通过密集标注多玩家3D游戏视频，构建了2.4K诊断QA对，评估代理感知与推理能力，揭示了前沿MLLM在时间同步、跨视频定位及决策密度处理上的不足。
Comments Accepted to the Annual Meeting of the Association for Computational Linguistics (ACL 2026)
大型语言模型有多可控？跨行为细粒度的统一评估
机构 * Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团）
AI总结 本文提出SteerEval基准，从语言特征、情感和个性三个领域评估LLM可控性，揭示细粒度控制效果下降问题，提供安全可控的LLM行为框架。
Comments ACL 2026
为何转向有效：语言模型参数动态的统一视角
机构 * Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团）
AI总结 本文提出统一视角分析语言模型控制方法，通过偏好-效用分析揭示控制效果的权衡关系，并引入SPLIT方法提升偏好与效用。
Comments ACL 2026
ClaimDB: 一个基于大规模结构化数据的事实验证基准
机构 * University of Washington（华盛顿大学）
AI总结 本文提出ClaimDB基准，通过百万级记录和多表组合验证事实，发现传统阅读方法失效，需转向可执行程序推理，实验显示超过一半模型准确率低于55%。
Comments ACL 2026 main
通过增强覆盖的潜在动作控制多模态对话代理
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Tongyi Lab（通义实验室） ； Zhongguancun Academy（中关村学院）
AI总结 本文提出通过增强覆盖的潜在动作空间改进多模态对话代理的强化学习微调，利用跨模态投影器提升鲁棒性，在两个对话任务中优于基线方法。
Comments Accepted to ACL 2026 (Main), camera-ready version
巩固还是适应？PRISM：通过梯度集中解耦SFT和RL数据
机构 * Research Center for Social Computing and Interactive Robotics, Harbin Institute of Technology（哈尔滨工业大学社会计算与交互机器人研究中心） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
AI总结 PRISM通过分析梯度空间结构，区分高冲突数据需RL重构与低冲突数据需SFT巩固，提升LLM训练效率与鲁棒性。
Comments ACL2026 Main Conference
MAESTRO：元学习适应性标量化贸易-offs估计用于奖励优化
机构 * Research Center for Social Computing and Interactive Robotics, Harbin Institute of Technology（哈尔滨工业大学社会计算与交互机器人研究中心） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
AI总结 MAESTRO通过引入元认知协调层，动态处理奖励标量化问题，优于单奖励和静态多目标基线，在保持GRPO效率的同时减少冗余生成。
Comments ACL 2026 Main Conference
通过LLM实现的无求解器依赖的自动问题建模
机构 * School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院） ； School of Engineering and Computer Science, Victoria University of Wellington（惠灵顿维多利亚大学工程与计算机科学学院） ； School of Engineering, Westlake University（西湖大学工学院）
AI总结 本文提出APF框架，利用LLM将工程师的自然语言需求转化为可执行的优化模型，提升高成本仿真驱动设计中问题建模的准确性和效率。
Comments Accepted to Findings of ACL 2026
通过信息论理解角色扮演模型的泛化能力
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Tongyi Lab（通义实验室） ； Zhongguancun Academy（中关村学院）
AI总结 本文通过信息理论提出R-EMID指标，分析角色扮演模型在分布偏移下的泛化问题，提出协同强化学习框架提升对话生成概率，发现用户偏移对泛化影响最大。
Comments Accepted to ACL 2026 (Findings), camera-ready version
两次审视后再跃进：一种用于局部对抗匿名化的理性框架
机构 * School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； School of Information, Renmin University of China（中国人民大学信息学院）
AI总结 本文提出RLAA框架，通过引入仲裁者机制解决现有对抗匿名化方法的理性问题，实现隐私与效用的平衡。
Comments Accepted to Findings of ACL 2026
ARK：通过知识图谱增强课程学习实现答案导向的检索器调优
AI总结 本文提出一种基于知识图谱增强课程学习的答案导向检索器调优框架，通过生成增强查询和逐步挑战的硬负样本，提升检索器区分关键证据的能力，实验表明在多个基准数据集上性能优于基线模型。
Comments ACL 2026 accepted as main. For source code, see https://github.com/valleysprings/ARK/
SynthAgent：通过合成监督适应网络代理
机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Purdue University（普渡大学） ； Microsoft（微软）
AI总结 本文提出SynthAgent框架，通过任务和轨迹双重细化提升合成数据质量，从而提升网络代理在新网站环境中的适应能力。
Comments Accepted to ACL 2026 Main Conference
为何多语言推理模型中会出现多语言推理差距？
机构 * Graduate School of Artificial Intelligence, POSTECH（浦项工业大学人工智能研究生院） ； Agentic AI Lab, KT（KT公司Agentic AI实验室） ； Department of Computer Science and Engineering, POSTECH（浦项工业大学计算机科学与工程系）
AI总结 本文探讨了多语言推理模型中存在多语言推理差距的原因，发现语言理解失败是主因，并提出Selective Translation策略有效缓解了这一问题。
Comments Accepted at Findings of ACL 2026
CiteGuard: 通过检索增强验证实现LLM的忠实引文归因
AI总结 本文提出CiteGuard，通过检索增强验证提升LLM引文准确性，实现比基线模型高10个百分点的性能，达到68.1%的准确率，接近人类水平。
Comments Project Page: https://kathcym.github.io/CiteGuard_Page/. ACL 2026 Main Conference
找到你的最优教师：通过路由器引导的多教师蒸馏实现个性化数据合成
机构 * The University of Hong Kong（香港大学） ； Simon Fraser University（西蒙菲莎大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Dartmouth College（达特茅斯学院） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； Tencent（腾讯）
AI总结 本文提出PerSyn策略，通过'路由然后生成'范式为每个学生模型定制数据，提升学习效率。实验表明其在指令微调和数学推理中表现优异。
Comments ACL 2026 Main Conference
RISK: 电子商务风险管理中GUI代理的框架
机构 * Ant International, Ant Group（蚂蚁国际，蚂蚁集团） ； Fudan University（复旦大学）
AI总结 RISK框架通过整合数据集、基准测试和强化学习方法，提升了GUI代理在电子商务风险管理中处理多步骤交互的能力，实验显示其在单步和多步任务上的性能提升显著。
Comments Accepted by ACL 2026 Main Conference
ZARA：通过证据驱动的LLM代理实现无训练的运动时间序列推理
机构 * University of New South Wales, Sydney（新南威尔士大学悉尼校区） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Hong Kong University of Science and Technology（香港科技大学）
AI总结 ZARA通过证据驱动的LLM代理实现无训练的运动时间序列推理，利用参考数据构建统计学基础的知识库，提升活动识别的泛化能力和跨领域适应性。
Comments Accepted by ACL 2026 Main Conference
低精度检索的可靠评估协议
机构 * VAIV Company（VAIV公司） ； University of Copenhagen（哥本哈根大学） ； Korea University（高丽大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出一种更稳健的检索评估协议，通过高精度评分和考虑 ties 的检索指标减少低精度检索中的评分波动，提高评估可靠性。
Comments ACL 2026 Main Conference
数据混合代理：学习重新加权领域以实现持续预训练
机构 * The University of Manchester（曼彻斯特大学） ； Microsoft Research（微软研究院） ； Imperial College London（伦敦帝国学院） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 本文提出数据混合代理，通过强化学习学习重新加权领域，实现持续预训练中的平衡性能，优于现有基线方法，并在未见过的领域中表现良好。
Comments Accepted by the ACL 2026 main conference
影响LLMs和RLLMs在金融问答中的因素是什么？
机构 * School of Computer Science and Engineering, Macau University of Science and Technology, China（澳门科技大学计算机科学与工程学院） ； SKLPlanets, Macau University of Science and Technology, China（澳门科技大学月球与行星科学国家重点实验室） ； School of Economics, Anhui University, China（安徽大学经济学院） ； School of Energy and Power Engineering, Huazhong University of Science and Technology, China（华中科技大学能源与动力工程学院）
AI总结 研究探讨了提示方法、代理框架和多语言对齐方法对LLMs和RLLMs在金融问答任务中的影响，发现提示方法和代理框架能提升LLMs性能，而RLLMs自身具备Long CoT能力，传统方法对其提升有限。
Comments Accepted by ACL 2026 Findings
以消歧为核心的知识蒸馏使企业工具调用LLM更真实且更安全
机构 * SAP Labs（SAP实验室）
AI总结 本文提出DiaFORGE框架，通过三阶段流程提升企业工具调用LLM的准确性和安全性，实验显示其在工具调用成功率上优于GPT-4o和Claude-3.5-Sonnet。
Comments ACL 2026 Findings
对LLMs的行为与说法进行对齐：迈向自洽的解释
机构 * Technion – Israel Institute of Technology（以色列理工学院） ； Nvidia Research（英伟达研究院） ； University of Groningen（格罗宁根大学）
AI总结 研究通过比较回答与解释的特征重要性分布，发现后验自一致性银行(PSCB)能更可靠地体现模型决策与解释的一致性，应用DPO优化提升对齐性而不影响任务精度。
Comments Accepted to Findings of ACL 2026
挑战推理的边界：为大语言模型设计的奥林匹克级数学基准
机构 * School of Information, Renmin University of China（中国人民大学信息学院） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）
AI总结 OlymMATH是一个包含350道题的奥林匹克级数学基准，通过自然语言和形式验证两种方式评估大语言模型，揭示语言间性能差异及模型推理不足问题。
Comments Accepted by ACL 2026 Main
大型语言模型有助于缓解量子神经网络中的 barren plateaus
机构 * Boise State University（博伊西州立大学） ； University of Cincinnati（辛辛那提大学）
AI总结 本文提出AdaInit框架，利用具有亚鞅性质的大语言模型迭代合成量子神经网络的初始参数，以维持梯度方差，缓解 barren plateaus 问题。
Comments [ACL'26 Findings] TL;DR: We propose a new LLM-driven submartingale-based framework that adaptively generates effective initial parameters for quantum neural networks to mitigate barren plateaus by leveraging LLMs with the submartingale property
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