Why These Documents? Explainable Generative Retrieval with Hierarchical Category Paths
为何这些文档？基于层次类别路径的可解释生成检索
AI总结 HyPE通过生成层次类别路径提升生成检索的可解释性，通过外部高质量语义层级构建路径并优化模型，提高检索性能和解释性。
Comments Accepted to ACL 2026 findings
期刊&会议
ACL
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
A Multilingual Dataset and Empirical Validation for the Mutual Reinforcement Effect in Information Extraction
一种多语言数据集和信息提取中相互强化效应的实证验证
机构 * Yokohama National University（横滨国立大学） ； Shenzhen University of Advanced Technology（深圳理工大学） ； Zhejiang University（浙江大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Chengdu Institute of Computer Applications, Chinese Academy of Sciences（中国科学院成都计算机应用研究所） ； Southeast University（东南大学） ； University of Tsukuba（筑波大学） ； Pusan National University（釜山大学） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
AI总结 本文提出多语言MRE混合数据集，通过LLM辅助框架减少标注工作，验证了多语言环境下信息提取中相互强化效应的普遍性。
Comments Accepted by ACL 2026 Findings
SCITUNE: Aligning Large Language Models with Human-Curated Scientific Multimodal Instructions
SCITUNE：对齐大型语言模型与人类整理的科学多模态指令
机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室）
AI总结 SCITUNE通过多模态指令提升大语言模型在科学任务中的表现，优于现有模型并在ScienceQA基准上超越人类性能。
Comments In Proceedings of the 1st Workshop on NLP for Science, Association for Computational Linguistics
Journal ref Proc. 1st Workshop on Natural Language Processing for Science (NLP4Science 2024) (2024) 58-72
Template-assisted Contrastive Learning of Task-oriented Dialogue Sentence Embeddings
基于模板的对话句嵌入对比学习
机构 * Stanford University（斯坦福大学） ； Zhejiang University（浙江大学） ； Alibaba Qwen Pilot（阿里巴巴Qwen Pilot）
AI总结 本文提出TaDSE方法，利用模板信息通过自监督对比学习学习对话句嵌入，通过合成数据集增强效果，并在五个对话基准数据集上验证了其有效性。
Comments Accepted to ACL 2026
Seeing No Evil: Blinding Large Vision-Language Models to Safety Instructions via Adversarial Attention Hijacking
见善不为：通过对抗性注意力劫持使大视觉-语言模型失明以确保安全
机构 * China University of Geosciences, Wuhan（中国地质大学（武汉）） ； City University of Macau（澳门城市大学）
AI总结 本文提出Attention-Guided Visual Jailbreaking方法，通过操控注意力模式规避安全对齐机制，减少梯度冲突并提高攻击成功率，揭示了安全失明的失败模式。
Comments Accepted to ACL 2026. Code: https://github.com/Landsayy/AttentionJailbreak
FAITH: Factuality Alignment through Integrating Trustworthiness and Honestness
FAITH：通过整合可信度和诚实度实现事实一致性
机构 * Tsinghua University, Institute for Interdisciplinary Information Sciences（清华大学，交叉信息研究院） ； Shanghai Qi Zhi Institute（上海期智研究院） ； South China Normal University, School of Electronic Science and Engineering（华南师范大学，电子科学与工程学院） ； Guangzhou Richstone Data Technologies Co., Ltd.（广州瑞驰数据技术有限公司） ； LMU Munich & Munich Center for Machine Learning（慕尼黑大学 & 慕尼黑机器学习中心）
AI总结 FAITH通过整合可信度和诚实度信号，提升大语言模型的事实准确性。采用PPO算法优化奖励函数，并结合检索增强模块增强内外知识一致性。
Comments ACL 2026 Findings
Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration
从空缺中学习：通过内容无关概率校准去偏列表重排序
机构 * University of Science and Technology of China（中国科学技术大学） ； Alibaba Group（阿里巴巴集团）
AI总结 本文提出CapCal框架，通过内容无关的概率校准方法，解决列表重排序中的位置偏差问题，提升轻量模型性能。
Comments ACL2026
Spotlight and Shadow: Attention-Guided Dual-Anchor Introspective Decoding for MLLM Hallucination Mitigation
聚光与阴影：基于注意力的双锚点反思解码用于MLLM幻觉缓解
机构 * State Key Laboratory of IOTSC, University of Macau（澳门大学物联网国家重点实验室） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 本文提出双锚点反思解码框架DaID，通过动态校准每个token生成来缓解MLLM幻觉，利用视觉注意力分布指导双锚点选择，提升推理能力。
Comments Accepted for Findings of ACL 2026
CoSToM:Causal-oriented Steering for Intrinsic Theory-of-Mind Alignment in Large Language Models
CoSToM: 为大语言模型内在理论思维对齐的因果导向引导
机构 * National Engineering Research Center for Big Data Technology and System, Services Computing Technology and System Lab, Cluster and Grid Computing Lab, Huazhong University of Science and Technology（华中科技大学国家大数据技术与系统工程技术研究中心、服务计算技术与系统实验室、集群与网格计算实验室） ； Singapore Management University（新加坡管理大学）
AI总结 本文提出CoSToM框架，通过因果追踪和激活引导提升大语言模型的社会推理能力与对话质量。
Comments Accepted to ACL 2026 (Main Conference)
Jamendo-MT-QA: A Benchmark for Multi-Track Comparative Music Question Answering
Jamendo-MT-QA：多轨比较音乐问答基准测试
机构 * Yonsei University（延世大学） ； KRAFTON ； University of Oxford（牛津大学） ； George Mason University（乔治梅森大学） ； Sungkyul University（圣洁大学） ； MODULABS MAAP ； Onoma AI
AI总结 本文提出Jamendo-MT-QA基准测试，用于评估多轨比较音乐问答能力，基于Jamendo-QA数据集构建36519个比较问答项，采用LLM辅助生成和过滤问题，并通过自动指标和LLM-as-a-Judge评估模型性能。
Comments ACL 2026 Findings
Self-Calibrating Language Models via Test-Time Discriminative Distillation
通过测试时判别蒸馏实现自校准语言模型
AI总结 本文提出SECL方法，利用模型在回答正确性问题时的真实概率与声明置信度之间的差距进行无监督训练，有效降低校准误差，优于现有方法。
Comments Submitted to ACL March 26
GRAPHIA: Harnessing Social Graph Data to Enhance LLM-Based Social Simulation
GRAPHIA：利用社交图数据增强基于LLM的社会模拟
AI总结 GRAPHIA通过强化学习利用社交图数据作为LLM训练的监督信号，提升社会模拟的微观和宏观对齐效果，实验显示其在多个真实网络中显著提高预测精度和社会现象复制能力。
Comments accepted by ACL26 main
EDUMATH: Generating Standards-aligned Educational Math Word Problems
EDUMATH: 生成符合标准的教育数学应用题
机构 * University of Virginia（弗吉尼亚大学）
AI总结 本文提出利用大语言模型生成符合学生兴趣和数学标准的数学应用题，通过教师标注数据集训练模型，展示其在教育中的有效性。
Comments 33 pages, 16 figures ACL 2026 (Main)
Revisiting Epistemic Markers in Confidence Estimation: Can Markers Accurately Reflect Large Language Models' Uncertainty?
重新审视置信度标记在置信度估计中的作用：标记能否准确反映大语言模型的不确定性？
机构 * Department of Computer Science and Engineering, HKUST（香港科技大学计算机科学与工程系）
AI总结 研究探讨了大语言模型中置信度标记是否能准确反映其不确定性，通过多数据集评估发现标记在同分布下表现稳定，但异分布下存在不一致，质疑了置信度标记的可靠性。
Comments ACL 2025 Main
RiTeK: A Dataset for Large Language Models Complex Reasoning over Textual Knowledge Graphs in Medicine
RiTeK：一个用于大型语言模型在医学领域文本知识图谱上复杂推理的数据集
机构 * University of Connecticut（康涅狄格大学） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校） ； School of Computing, and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院） ； UMass Chan Medical School（马萨诸塞大学陈医学院） ； University of Minnesota（明尼苏达大学） ； Rollins School of Public Health, Emory University（埃默里大学罗林斯公共卫生学院） ； Optum AI ； University of Massachusetts, Lowell（马萨诸塞大学洛厄尔分校）
AI总结 本文提出RiTeK数据集，用于评估大型语言模型在医学领域文本知识图谱上的复杂推理能力，通过合成高质量查询和专家评估，揭示现有检索方法的不足。
Comments ACL 2026 Findings
LaMI: Augmenting Large Language Models via Late Multi-Image Fusion
LaMI：通过晚期多图像融合增强大型语言模型
机构 * The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Bar-Ilan University（巴伊兰大学）
AI总结 LaMI通过在测试时融合多个图像提升视觉常识推理能力，同时保持文本推理性能，适用于视觉和NLP任务。
Comments Accepted to ACL 2026
An Iterative Utility Judgment Framework Inspired by Philosophical Relevance via LLMs
一种受哲学相关性启发的迭代效用判断框架
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ITEM框架，通过迭代提升信息检索中相关性排序、效用判断和答案生成的性能，实验表明在多个数据集上均优于基线模型。
Comments Accepted to ACL 2026 Findings
VL-Calibration: Decoupled Confidence Calibration for Large Vision-Language Models Reasoning
VL-Calibration：解耦的大型视觉-语言模型推理置信度校准
机构 * Zhejiang University（浙江大学）
AI总结 本文提出VL-Calibration，通过强化学习框架解耦视觉和推理置信度，提升大视觉-语言模型的校准与视觉推理准确率。
Comments 24 pages, ACL 2026 Main. Repository: https://github.com/Mr-Loevan/VL-Calibration
E3-TIR: Enhanced Experience Exploitation for Tool-Integrated Reasoning
E3-TIR: 增强经验利用以实现工具集成推理
机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； Hong Kong University of Science and Technology（香港科技大学）
AI总结 本文提出E3-TIR方法，通过整合专家前缀、专家引导和自探索三种经验类型，提升工具集成推理的效率与性能，实验显示在工具使用任务中性能提升6%，数据成本降低。
Comments 22 pages 10 figures, published in acl2026
Task-Aware LLM Routing with Multi-Level Task-Profile-Guided Data Synthesis for Cold-Start Scenarios
具有多级任务-特征引导的数据合成的任务感知LLM路由用于冷启动场景
机构 * City University of Hong Kong（香港城市大学） ； University of Hong Kong（香港大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出TRouter，通过多级任务-特征引导的数据合成框架解决冷启动问题，提升LLM路由在冷启动和领域内设置下的性能。
Comments 30 pages, Accepted by ACL 2026 Main
SessionIntentBench: A Multi-task Inter-session Intention-shift Modeling Benchmark for E-commerce Customer Behavior Understanding
SessionIntentBench: 一个用于电子商务客户行为理解的多任务跨会话意图转移建模基准
机构 * Department of Computer Science and Engineering, HKUST（香港科技大学计算机科学与工程系） ； Amazon.com Inc（亚马逊公司）
AI总结 本文提出SessionIntentBench基准，通过意图树概念和数据集构建流程，评估大语言模型在跨会话意图转移中的能力，发现现有模型在复杂会话中难以捕捉意图，注入意图可提升性能。
Comments Findings of ACL 2026
Bayesian Social Deduction with Graph-Informed Language Models
基于图信息的语言模型的贝叶斯社会推断
机构 * Purdue University（普渡大学） ； Oracle（甲骨文公司） ； Virginia Tech（弗吉尼亚理工大学） ； Intel Labs（英特尔实验室）
AI总结 本文提出一种混合推理框架，通过外部化信念推断到结构化概率模型，结合语言模型进行理解和交互，在Agent-Agent游戏中实现与大模型相当的性能，并首次在受控研究中击败人类玩家。
Comments Accepted to ACL 2026 main conference
DenseLoRA: Dense Low-Rank Adaptation of Large Language Models
DenseLoRA: 大型语言模型的密集低秩适应
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 DenseLoRA通过引入密集低秩矩阵提升参数效率和性能，相比LoRA在多个基准测试中表现更优。
Journal ref ACL 2025
MSMO-ABSA: Multi-Scale and Multi-Objective Optimization for Cross-Lingual Aspect-Based Sentiment Analysis
MSMO-ABSA：多尺度和多目标优化用于跨语言基于方面的情感分析
机构 * South China Normal University（华南师范大学） ； LMU Munich & Munich Center for Machine Learning（慕尼黑大学 & 慕尼黑机器学习中心） ； Institute of Scientific and Technical Information of China（中国科学技术信息研究所） ； Guangdong Polytechnic Normal University（广东技术师范大学） ； Jilin Engineering Normal University（吉林工程技术师范学院）
AI总结 本文提出MSMO框架，通过多尺度和多目标优化提升跨语言基于方面的情感分析性能，引入代码切换双语句子增强模型鲁棒性，并结合目标语言知识提升效果。
Comments ACL 2026
EthicMind: A Risk-Aware Framework for Ethical-Emotional Alignment in Multi-Turn Dialogue
EthicMind：多轮对话中面向伦理-情感对齐的风险感知框架
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Shenzhen Institute for Advanced Study, UESTC（电子科技大学深圳高等研究院）
AI总结 本文提出EthicMind框架，通过多轮对话中联合分析伦理风险与用户情感，生成平衡伦理指导与情感互动的回复，提升对话系统的伦理与情感对齐能力。
Comments 18 pages, Accepted to the ACL 2026 Main Conference
SPASM: Stable Persona-driven Agent Simulation for Multi-turn Dialogue Generation
SPASM：面向多轮对话生成的稳定人格驱动代理模拟
机构 * University of Leeds（利兹大学） ； Southwest Jiaotong University（西南交通大学） ； Ben-Gurion University of the Negev（内盖夫本-古里安大学）
AI总结 本文提出SPASM框架，通过人格创建、对话生成和终止检测模块，提升多轮对话生成的稳定性，采用ECP方法减少人格漂移和回声现象。
Comments Accepted to Findings of the Association for Computational Linguistics (ACL 2026). Our code and data are available at https://github.com/lhannnn/SPASM
DeepGuard: Secure Code Generation via Multi-Layer Semantic Aggregation
DeepGuard：通过多层语义聚合实现安全代码生成
机构 * Chongqing University（重庆大学） ； The State Key Laboratory of Blockchain and Data Security, Zhejiang University（区块链与数据安全全国重点实验室，浙江大学） ； Peking University（北京大学）
AI总结 DeepGuard通过多层语义聚合提升代码生成的安全性，实验表明其在安全性和功能性上均优于基线模型，有效检测并减少不安全模式。
Comments ACL 2026 main conference
Leave My Images Alone: Preventing Multi-Modal Large Language Models from Analyzing Images via Visual Prompt Injection
别让我看图片：通过视觉提示注入防止多模态大语言模型分析图片
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Duke University（杜克大学）
AI总结 本文提出ImageProtector，通过在图像中嵌入精心设计的微小扰动，使多模态大语言模型在分析时产生拒绝响应，同时评估了三种潜在的防御措施，发现它们在降低ImageProtector效果的同时影响模型性能。
Comments Appeared in ACL 2026 main conference
Journal ref The 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026)
Breaking Block Boundaries: Anchor-based History-stable Decoding for Diffusion Large Language Models
打破块边界：基于锚点的历史稳定解码用于扩散大语言模型
机构 * MoE Key Lab of BIPC, University of Science and Technology of China（中国科学技术大学教育部多模态认知与智能系统重点实验室） ； AMAP, Alibaba Group（阿里巴巴集团高德地图）
AI总结 本文提出AHD解码策略，通过动态锚点实时监控token稳定性，实现跨块高效解码，提升性能与推理效率。
Comments Accepted for ACL 2026
Bridging SFT and RL: Dynamic Policy Optimization for Robust Reasoning
弥合SFT与RL：面向鲁棒推理的动态策略优化
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Intelligent System Department, Zhongxing Telecom Equipment (ZTE)（中兴通讯股份有限公司智能系统部） ； Institute of Advanced Interdisciplinary Studies, Chongqing University of Posts and Telecommunications（重庆邮电大学前沿交叉研究院）
AI总结 本文提出DYPO框架，通过组对齐损失、多教师蒸馏和动态探索-利用门控机制，解决SFT与RL间的偏倚-方差权衡问题，提升复杂推理和分布外任务性能。
Comments ACL 2026 findings
