期刊&会议
Conference on Empirical Methods in Natural Language Processing · 会议 · Natural Language Processing
O_O-VC: 基于合成数据驱动的任意到任意语音转换一一对一对齐
机构 * VNPT AI, VNPT Group（VNPT AI，VNPT集团） ； Hanoi University of Science and Technology（河内科学技术大学） ； Business AI Lab, National Economics University（国家经济大学商业人工智能实验室）
AI总结 本文提出了一种基于合成数据驱动的任意到任意语音转换方法，通过利用高质量预训练多说话人文本到语音模型生成的合成语音数据，学习源语音到目标语音的直接映射，从而在保留语言内容的同时捕捉说话人特定特征，并在零样本场景中提升适应性和性能。
Comments EMNLP 2025
Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025
基于查询的跨模态投影器增强Mamba多模态大语言模型
机构 * Korea Advanced Institute of Science and Technology / Korea, Republic of（韩国科学技术院） ； University of Illinois in Urbana-Champaign / United States of America（伊利诺伊大学厄巴纳-香槟分校） ； Korea University / Korea, Republic of（韩国大学）
AI总结 提出基于查询的跨模态投影器，通过交叉注意力压缩视觉令牌，消除手动设计2D扫描顺序的需求，提升Mamba多模态LLM的性能和吞吐量。
Comments Accepted to EMNLP 2024 Findings
越狱攻击初始化作为合规方向的提取器
机构 * Department of Computer Science, Technion - Israel Institute of Technology（技术学院计算机科学系） ； Department of Data and Decision Science, Technion - Israel Institute of Technology（技术学院数据与决策科学系） ； School of Electrical and Computer Engineering Engineering, Ben-Gurion University of the Negev（内盖夫本· Gurion大学电气与计算机工程学院）
AI总结 本文发现基于梯度的越狱攻击初始化会收敛到抑制拒绝的单一合规方向，并据此提出CRI框架，通过沿合规方向投影未见提示来提高攻击成功率并降低计算开销。
Comments Accepted to Findings of the Association for Computational Linguistics 2025 (EMNLP 2025)
SafeSteer: 局部化在策略蒸馏用于高效安全对齐
机构 * Beihang University（北航） ； Beijing Institute of Technology（北京理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Peking University（北京大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
AI总结 针对大语言模型安全对齐导致通用能力下降的问题，提出SafeSteer方法，通过激活引导构建安全教师并选择安全令牌，仅在安全令牌上施加反向KL惩罚，在仅用100个有害样本且无需通用数据的情况下，实现了安全与通用能力之间的优越平衡。
Comments 19 pages, 8 figures, 14 tables. Submitted to EMNLP 2026
相同载荷，不同通道：测量使用工具的語言模型中的信任不对称性
机构 * University of Arizona（亚利桑那大学）
AI总结 本研究提出安全不对称分数（SAS），通过匹配恶意载荷仅改变传递上下文，系统测量了语言模型在不同通道（用户消息、工具元数据、工具输出）中对对抗性内容的脆弱性差异，发现代理原生模型在工具描述通道更脆弱，而通用模型相反，且机制研究表明安全相关表示在深层网络非线性编码。
Comments 13 pages, 1 figure. Submitted to EMNLP 2026
弥合模型所想与所言之间的鸿沟：通过自我意识意图-实现对齐的富有表现力的语音生成
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Tencent Ethereal Audio Lab（腾讯虚实音频实验室） ； Southeast University（东南大学） ； Zhejiang University（浙江大学） ； Shenzhen University of Advanced Technology（深圳先进技术大学）
AI总结 提出SASLM框架，通过自蒸馏意图和自奖励优化，无需外部标注即可弥合语义理解与声学实现之间的差距，实现富有表现力的语音生成。
Comments Submitted to EMNLP 2026. Project page: https://wangkevin02.github.io/SASLM/
最后一层逻辑到逻辑：赋予LLM逻辑一致的结构化知识推理能力
机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； ZJU-Ant Group Joint Lab of Knowledge Graph（浙江大学-蚂蚁集团知识图谱联合实验室）
AI总结 针对LLM在结构化知识推理中的逻辑漂移问题，提出Logits-to-Logic框架，通过logits增强和过滤模块修正输出逻辑缺陷，在多个KGQA基准上取得最佳性能。
Comments EMNLP 2026 Submission
真相、信任与麻烦：边缘上的医疗AI
机构 * Jamia Hamdard（贾迈亚哈姆达德大学） ； DSEU-Okhla ； Macquarie University（麦考瑞大学） ； Center for SDGC, Stanford University（SDGC中心，斯坦福大学）
AI总结 通过一个包含1000多个健康问题的基准测试框架，评估Mistral-7B、BioMistral-7B-DARE和AlpaCare-13B三个模型在诚实、有用性和无害性方面的表现，发现AlpaCare-13B准确率最高（91.7%）且无害性最佳（0.92），而领域微调可提升安全性，少样本提示能提高准确率，但复杂查询下有用性下降。
Comments Accepted at EMNLP 2025 (Industry Track)
MAVL：面向动画歌曲翻译的多语言音视频歌词数据集
机构 * Yonsei University（延世大学） ； Seoul National University（首尔国立大学）
AI总结 提出首个多语言多模态歌词翻译基准MAVL，并设计音节约束的音视频大语言模型SylAVL-CoT，利用音视频线索和音节约束提升歌词可唱性和翻译准确性。
Comments Accepted to EMNLP 2025, Project Page: https://k1064190.github.io/papers/paper1.html, our codes and datasets are available at https://github.com/k1064190/MAVL
大型语言模型在密码分析和侧信道漏洞方面的基准测试
机构 * Macquarie University（麦考瑞大学） ； University of New South Wales（新南威尔士大学）
AI总结 本研究通过零样本和少样本设置及思维链提示，评估大型语言模型在多种加密算法生成的密文上的解密成功率，揭示其在侧信道场景中的能力与局限，并讨论欠泛化相关攻击的风险。
Comments EMNLP'25 Findings
面向策略型智能体的安全均衡策略优化
机构 * Amazon, USA（亚马逊公司）
AI总结 提出Safe Equilibrium Policy Optimization (SEPO)方法，通过惩罚可剥削性、共谋风险和外部性成本，优化语言模型在多智能体博弈中的策略安全性。
Comments Submitted to EMNLP 2026
OpenSTBench：超越语义评估的语音翻译
机构 * MoE Key Lab of Artificial Intelligence（摩埃人工智能关键实验室） ； Jiangsu Key Lab of Language Computing（江苏语言计算重点实验室） ； X-LANCE Lab（X-LANCE实验室） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； Microsoft（微软） ； University of the Chinese Academy of Sciences（中国科学院大学）
AI总结 提出OpenSTBench统一多维评估框架，联合评估语音翻译系统的翻译质量、语音质量、时间一致性等，揭示系统间跨维度差异。
Comments Submitted to EMNLP 2026
注释并非全部所需：面向无监督时间语句定位的跨模态知识迁移网络
机构 * Hubei Key Laboratory of Distributed System Security（湖北分布式系统安全重点实验室） ； Hubei Engineering Research Center on Big Data Security（湖北大数据安全工程研究中心） ； School of Cyber Science and Engineering（网络安全学院） ； Huazhong University of Science and Technology（华中科技大学） ； Peking University（北京大学） ； Henan University（河南大学） ； The Chinese University of Hong Kong（香港中文大学） ； Guangzhou University（广州大学） ； Protagolabs Inc.（Protagolabs公司）
AI总结 提出跨模态知识迁移网络，通过从图像-名词和视频-动词任务中迁移实体感知和事件感知知识，实现无监督时间语句定位，无需配对视频-查询标注。
Comments Published in Findings of EMNLP 2023
PhyDrawGen: 基于自然语言的物理约束图表生成
机构 * Department of Robotics and Mechatronics Engineering, University of Dhaka（机器人与机电工程系，达卡大学）
AI总结 提出PhyDrawGen神经符号管道，通过场景图提取、确定性求解器和视觉验证循环，从自然语言生成符合物理定律的图表，在力学、光学和电磁学基准上显著优于现有模型。
Comments 9 figures, 7 tables. Under review at EMNLP 2026
测试的表面并非断裂的表面
机构 * Department of Robotics and Mechatronics Engineering, University of Dhaka（达卡大学机器人与机电工程系） ； Department of Computer Science and Engineering, University of Dhaka（达卡大学计算机科学与工程系）
AI总结 本文发现工具增强的LLM代理对提示注入的脆弱性依赖于攻击表面（工具输出 vs 工具描述），提出自适应攻击率并强调评估需报告每个表面的脆弱性。
Comments 8 Figures, 8 Tables, Under Review at EMNLP
MaskClaw: GUI代理的边端个性化隐私仲裁与行为驱动技能进化
机构 * Beijing University of Posts and Telecommunications（北京邮电大学）
AI总结 提出MaskClaw，一种在边端进行隐私仲裁的GUI代理框架，通过本地视觉证据提取、策略记忆检索和沙箱门控的技能进化，在截图离开信任环境前决定允许、遮蔽或询问，解决了静态PII检测和云端推理的隐私边界问题。
Comments Preprint. Submitted to EMNLP 2026. 21 pages, including appendices; 5 figures Under review. Yanqiu Zhao and Dongying Zheng contributed equally to this work
FoRA: 基于Fisher正交秩适配的参数高效微调
机构 * OptAI Inc（OptAI公司） ； LG Uplus
AI总结 提出FoRA方法，通过Fisher信息选择信息层并在Stiefel流形上训练LoRA下投影，在减少参数预算的同时保持性能，优于LoRA和DoRA。
Comments EMNLP 2026
G-STAR: 端到端全局说话人跟踪属性识别
机构 * Nanjing University（南京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Central Media Technology Institute, Huawei（华为中央媒体技术研究院） ； Shenzhen Research Institute of Big Data（深圳大数据研究院） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 提出G-STAR框架，通过缓存条件说话人跟踪模块与Speech-LLM转录骨干耦合，实现长时重叠多说话人语音的端到端说话人属性识别，支持组件优化和联合训练，在局部和全局评估中均表现优异。
Comments submitted to Emnlp 2026
先思考再约束：大型语言模型的统一解码框架
机构 * Télécom Paris, Institut Polytechnique de Paris（巴黎电信学院，巴黎理工学院） ； Nokia Bell Labs（诺基亚贝尔实验室） ； Nokia（诺基亚）
AI总结 提出In-Writing混合方法，通过触发令牌将自由形式推理与结构化解码解耦，在分类和推理任务上准确率提升高达27%。
Comments v2-EMNLP
加速受限解码：通过词元空间压缩
机构 * Department of Language Science and Technology（语言科学与技术系） ； Saarland Informatics Campus（萨尔兰州信息学校区） ； Saarland University（萨尔兰大学）
AI总结 提出CFGzip离线压缩词元搜索空间，大幅降低上下文无关文法约束解码的开销，实现高达两个数量级的延迟减少和7.5倍的总生成速度提升。
Comments 13 pages; 5 figures; under review at EMNLP 2026
计划方式重要吗？LLM网络代理计划表示的实证研究
机构 * Concordia University（康科德大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； University of Copenhagen（哥本哈根大学） ； Universite Claude Bernard Lyon（克莱尔蒙特-伯恩大学） ； McGill University（麦吉尔大学）
AI总结 本研究提出PlanAhead框架，通过自动难度分类和四种计划表示（顺序子目标、叙述、伪代码、检查清单）的对比实验，发现计划表示形式和生成计划的LLM显著影响网络代理的鲁棒性和任务成功率。
Comments Extended version of paper submitted to EMNLP, waiting for acceptance
MMTM: 基于相似性门控融合的长视频三模态主题建模
机构 * Text Technology Lab (TTLab), Goethe University Frankfurt（文本技术实验室（TTLab），法兰克福歌德大学）
AI总结 提出MMTM模块化流水线，通过相似性门控融合集成语音识别、音频和视觉嵌入及BERTopic聚类，在长视频主题发现中显著提升主题质量。
Comments Submitted to EMNLP 2026
认真统计的重要性：对GSM-Symbolic的批判性再评估
机构 * Instituto Superior Técnico & INESC-ID, Universidade de Lisboa, Portugal（里斯本大学技术高级学院及INESC-ID研究所，里斯本大学，葡萄牙） ； Dept. of Computer Science and AI & DaSCI Institute, Universidad de Granada, Spain（计算机科学与人工智能系及DaSCI研究所，格拉纳达大学，西班牙）
AI总结 通过广义线性混合模型和每问题随机效应重新评估20个开源模型，发现仅半数模型在原始提示格式下表现显著变化，并指出GSM-Symbolic数据集存在大整数分布偏移，控制该效应后剩余显著案例约减半，表明关于LLM推理的笼统结论在统计上不成熟且机制上具有误导性。
Comments 38 pages, 11 figures. Submitted to ACL ARR / EMNLP 2026
不要贪婪，三思而后行：文档级信息抽取的采样与选择
机构 * HiTZ Center - Ixa, University of the Basque Country UPV/EHU（希茨中心 - Ixa，巴斯克国家大学UPV/EHU）
AI总结 提出ThinkTwice框架，通过采样生成多个候选模板并选择最优，利用无监督一致性和有监督奖励模型，在文档级信息抽取中超越贪婪解码方法。
Comments Submitted to EMNLP 2026
重新思考逐步模型路由：一种成本高效的表格推理视角
机构 * University of Science and Technology of China（中国科学技术大学） ； The University of Melbourne（墨尔本大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合国家科学中心人工智能研究院）
AI总结 提出EcoTab框架，通过分别估计表格令牌和文本令牌的不确定性并映射到下一步失败风险，实现表格推理中准确性与效率的更好平衡。
Comments 17pages, 15 figures, submitted to EMNLP 2026
基于评分准则的逐步模型路由过程奖励
机构 * University of Science and Technology of China（中国科学技术大学） ； Southeast University（东南大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）
AI总结 提出RoRo框架，通过收集路由轨迹、构建偏好对、训练Rubricor生成评估准则和Judge评分，结合过程与结果奖励优化路由策略，提升大型推理模型逐步路由的准确性和成本效率。
Comments 17 pages, 9 figures, submitted to EMNLP 2026
索引不可读之物：基于LLM原生的服务分类法递归构建与搜索
AI总结 针对LLM在服务发现中因上下文窗口限制和长输入中间信息丢失问题，提出LLM原生的渐进式披露方案A2X，通过自动构建层次化服务分类法并在查询时逐层遍历，显著提升检索准确率并降低token消耗。
Comments Preprint. 8 pages main paper + appendix; 2 figures. Under submission to EMNLP 2026
Review Arcade: 关于LLM评审的人类对齐与可博弈性
机构 * Language Technology Group, University of Hamburg, Germany（汉堡大学语言技术小组） ； Hub of Computing and Data Science (HCDS), University of Hamburg, Germany（汉堡大学计算与数据科学中心） ； OTH Amberg-Weiden, Germany（阿姆伯-魏登工业大学）
AI总结 通过实验评估LLM生成论文评审与人类评审的对齐程度，并发现作者可根据LLM评审迭代修改论文以提升评分（最多35%的论文显著提高），揭示了LLM评审的可博弈性。
Comments Under Review EMNLP 26
DialToM：用于预测状态驱动对话轨迹的心智理论基准
机构 * Singapore Management University（新加坡管理大学） ； Australian National University（澳大利亚国立大学）
AI总结 提出DialToM基准，通过多选评估框架从自然对话中构建，揭示LLMs在推断心理状态（字面ToM）与利用其进行社会预测（功能ToM）之间的系统性推理不对称性，并证明领域专家与AI之间存在显著能力差距。
Comments Submitted to EMNLP 2026
超越文本：通过多模态双注意力和软图像引导减少大型视觉语言模型中的语言偏差
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Peking University（北京大学） ； Tsinghua University（清华大学）
AI总结 针对大型视觉语言模型因语言偏差导致的幻觉问题，提出LACING框架，采用多模态双注意力机制和软图像引导策略，在不增加训练资源的情况下增强视觉理解并减少幻觉。
Comments EMNLP 2025
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