ACL

ChunQiuTR: Time-Keyed Temporal Retrieval in Classical Chinese Annals

ChunQiuTR: 经典汉语编年史中的时间键检索

Yihao Wang, Zijian He, Jie Ren, Keze Wang

机构 * Sun Yat-Sen University（中山大学） ； Shaanxi Normal University（陕西师范大学） 纠错

AI总结 本文提出ChunQiuTR基准，通过编年史和注释传统构建，结合傅里叶绝对日历上下文与相对偏移偏差，提升时间键检索的准确性，支持历史RAG的忠实生成。

Comments 24 pages, 11 figures. To appear in Findings of ACL 2026

iTAG: Inverse Design for Natural Text Generation with Accurate Causal Graph Annotations

iTAG：基于准确因果图标注的自然文本生成逆向设计

Wenshuo Wang, Boyu Cao, Nan Zhuang, Wei Li

机构 * School of Future Technology, South China University of Technology（华南理工大学未来技术学院） ； China Mobile GBA Innovation Institute（中国移动粤港澳大湾区创新研究院） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 纠错

AI总结 iTAG通过逆向设计生成具有准确因果图标注的自然文本，提升生成文本的自然度与标注准确性，为因果发现算法提供实用的基准测试数据。

Comments Accepted at ACL 2026

Do We Need Distinct Representations for Every Speech Token? Unveiling and Exploiting Redundancy in Large Speech Language Models

我们是否需要为每个语音令牌都使用不同的表示？揭示和利用大型语音语言模型中的冗余

Bajian Xiang, Tingwei Guo, Xuan Chen, Yang Han

机构 * Beike Inc.（贝壳找房） 纠错

AI总结 本文研究了大型语音语言模型中是否需要每个语音令牌都使用不同表示，通过层间干预揭示了冗余层次结构，并提出Affinity Pooling方法，有效压缩表示而不损失语义信息，实验表明在三个任务中实现了27.48%的计算节省和显著的效率提升。

Comments Accepted to ACL 2026 (Findings)

On the Step Length Confounding in LLM Reasoning Data Selection

在LLM推理数据选择中的步长混淆问题

Bing Wang, Rui Miao, Chen Shen, Shaotian Yan, Kaiyuan Liu, Ximing Li, Xiaosong Yuan, Sinan Fan, Jun Zhang, Jieping Ye

机构 * College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院） ； Key Laboratory of Symbolic Computation and Knowledge Engineering, MoE, Jilin University（吉林大学符号计算与知识工程教育部重点实验室） ； Alibaba Cloud Computing（阿里云） ； School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Department of Mathematics, University of Michigan（密歇根大学数学系） ； RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能研究中心） 纠错

AI总结 本文分析了自然性基于的数据选择方法在LLM推理数据中系统性偏好长推理步骤的问题，并提出ASLEC-DROP和ASLEC-CASL方法以缓解此混淆。

Comments Accepted by Findings of ACL 2026. 15 pages, 9 figures. Code: https://github.com/wangbing1416/ASLEC

Beyond End-to-End: Dynamic Chain Optimization for Private LLM Adaptation on the Edge

超越端到端：面向边缘的私有大语言模型适应的动态链优化

Yebo Wu, Jingguang Li, Chunlin Tian, Kahou Tam, Zhijiang Guo, Li Li

AI总结 本文提出动态链联邦微调方法，通过分层训练冻结过程提升边缘设备上大语言模型的适应性能，实验表明其在多个基准上平均准确率提升达46.46%。

Comments Accepted by ACL 2026

When Is Thinking Enough? Early Exit via Sufficiency Assessment for Efficient Reasoning

思考何时足够？通过充分性评估实现高效的推理早期退出

Yang Xiang, Yixin Ji, Ruotao Xu, Dan Qiao, Zheming Yang, Juntao Li, Min Zhang

机构 * Soochow University（苏州大学） ； ByteDance（字节跳动） 纠错

AI总结 本文提出DTSR框架，通过动态评估推理链的充分性，实现早期退出，减少计算冗余，提升推理效率。

Comments ACL 2026 Main Conference

Multi-Faceted Self-Consistent Preference Alignment for Query Rewriting in Conversational Search

多维自一致偏好对齐的对话搜索查询重写

Zhiyu Cao, Peifeng Li, Qiaoming Zhu

机构 * School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院） 纠错

AI总结 本文提出MSPA-CQR方法，通过多维度自一致偏好对齐数据生成多样化查询，结合前缀引导的多维偏好优化，提升对话搜索中查询重写的效率与效果。

Comments ACL 2026 Findings

StructKV: Preserving the Structural Skeleton for Scalable Long-Context Inference

StructKV: 保持结构骨架以实现可扩展的长上下文推理

Zhirui Chen, Peiyang Liu, Ling Shao

机构 * UCAS-Terminus AI Lab, University of Chinese Academy of Sciences, China（中国科学院大学UCAS-Terminus AI实验室） ； National Engineering Research Center for Software Engineering, Peking University（北京大学国家软件工程研究中心） 纠错

AI总结 StructKV通过全局入度中心性、动态枢轴检测和结构传播与解耦方法，有效保留长距离依赖性和检索鲁棒性，提升长上下文推理效率。

Comments Accepted to ACL 2026 Findings, 14 pages

Reasoning Fails Where Step Flow Breaks

推理在步骤流断裂处失效

Xiaoyu Xu, Yulan Pan, Xiaosong Yuan, Zhihong Shen, Minghao Su, Yuanhao Su, Xiaofeng Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Fuzhou University（福州大学） ； Jilin University（吉林大学） 纠错

AI总结 研究提出StepFlow方法，通过修复信息流提升多步骤数学、科学和编码任务的推理准确性，揭示了浅层锁定和深层衰减两种信息流失效模式。

Comments Accepted at ACL 2026

ChemVLR: Prioritizing Reasoning in Perception for Chemical Vision-Language Understanding

ChemVLR：在化学视觉语言理解中优先考虑推理

Xuanle Zhao, Xinyuan Cai, Xiang Cheng, Xiuyi Chen, Bo Xu

机构 * The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所复杂系统认知与决策智能重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

AI总结 ChemVLR通过细化化学描述符识别，提升化学视觉语言模型的推理能力，实现更清晰的推理路径，实验显示其在分子和反应任务中达到SOTA性能。

Comments Accepted by ACL 2026 Findings, Preprint Version

SHAPE: Stage-aware Hierarchical Advantage via Potential Estimation for LLM Reasoning

SHAPE：基于潜在估计的阶段感知分层优势用于大语言模型推理

Zhengyang Ai, Zikang Shan, Xiaodong Ai, Jingxian Tang, Hangkai Hu, Pinyan Lu

机构 * Huawei Taylor Lab（华为泰勒实验室） ； Center for Data Science, Peking University（北京大学数据科学中心） ； Shanghai University of Finance and Economics（上海财经大学） 纠错

AI总结 SHAPE通过潜在估计引入分层信用分配机制，提升大语言模型推理的效率与准确性，实验显示在数学推理任务中平均准确率提升3%，token消耗减少30%。

Comments ACL 2026 Main

To Lie or Not to Lie? Investigating The Biased Spread of Global Lies by LLMs

说谎还是不说谎？研究LLMs在全球谎言传播中的偏见

Zohaib Khan, Mustafa Dogan, Ifeoma Okoh, Pouya Sadeghi, Siddhartha Shrestha, Sergius Justus Nyah, Mahmoud O. Mokhiamar, Michael J. Ryan, Tarek Naous

机构 * Fatima Fellowship（法蒂玛奖学金） ； Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 研究LLMs在多语言多地区传播虚假信息的行为，揭示低资源语言和低HDI国家中谎言传播的系统性差异，提出GlobalLies数据集以支持减少全球虚假信息传播的策略。

Comments Accepted at ACL 2026 Main Conference

ToxReason: A Benchmark for Mechanistic Chemical Toxicity Reasoning via Adverse Outcome Pathway

ToxReason: 一个通过不良后果途径进行机理化学毒性推理的基准

Jueon Park, Wonjune Jang, Chanhwi Kim, Yein Park, Jaewoo Kang

机构 * Korea University（高丽大学） ； Myongji University（明知大学） ； University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心） ； AIGEN Sciences 纠错

AI总结 ToxReason基准通过整合药物-靶点相互作用证据与毒性标签，评估多器官水平的毒性推理能力，发现强预测性能不等于可靠推理，且推理意识训练能提升机理推理和毒性预测性能。

Comments Accepted to ACL 2026 Findings

Region-R1: Reinforcing Query-Side Region Cropping for Multi-Modal Re-Ranking

Region-R1: 增强多模态重排序的查询侧区域裁剪

Chan-Wei Hu, Zhengzhong Tu

机构 * Texas A&M University（德克萨斯A&M大学） 纠错

AI总结 Region-R1通过在重排序阶段引入区域裁剪机制，提升多模态重排序的鲁棒性，实验表明其在E-VQA和InfoSeek基准上显著提升召回率。

Comments 12 pages, 4 figures, accepted to ACL 2026 Findings, code available at https://github.com/taco-group/Region-R1

AutoUE: Automated Generation of 3D Games in Unreal Engine via Multi-Agent Systems

AutoUE：通过多智能体系统自动化生成Unreal引擎中的3D游戏

Lei Yin, Wentao Cheng, Zhida Qin, Tianyu Huang, Yidong Li, Gangyi Ding

AI总结 本文提出AutoUE系统，通过多智能体协同实现3D游戏的端到端生成，涵盖模型检索、场景生成、代码合成及自动化测试，验证了其有效性。

Comments Accepted as a ACL'26 Findings full paper

What Makes an Ideal Quote? Recommending "Unexpected yet Rational" Quotations via Novelty

什么使引用成为理想引用？通过新颖性的新型引用推荐

Bowei Zhang, Jin Xiao, Guanglei Yue, Qianyu He, Yanghua Xiao, Deqing Yang, Jiaqing Liang

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Key Laboratory of Data Science, College of Computer Science and Artificial Intelligence（上海市数据科学重点实验室，计算机科学与人工智能学院） 纠错

AI总结 本文提出通过新颖性推荐'意外却合理'的引用，通过多维深度意义标签和新颖性估计器提升引用推荐质量。

Comments Accepted to ACL 2026 main conference ; Code available at <https://github.com/Chang-pw/NoQuote>

FBS: Modeling Native Parallel Reading inside a Transformer

FBS：在Transformer中建模原生并行阅读

Tongxi Wang

机构 * Southeast University（东南大学） 纠错

AI总结 FBS通过引入Parafovea-Attention Window、Chunk-Head和Skip-Gate模块，改进了Transformer的推理效率与质量平衡，无需增加参数。

Comments Accept to ACL2026 as findings

Is Sentiment Banana-Shaped? Exploring the Geometry and Portability of Sentiment Concept Vectors

情感是否香蕉形？探索情感概念向量的几何与可移植性

Laurits Lyngbaek, Pascale Feldkamp, Yuri Bizzoni, Kristoffer L. Nielbo, Kenneth Enevoldsen

机构 * Aarhus University（奥胡斯大学） 纠错

AI总结 本文评估了概念向量投影在不同领域、历史时期和语言中的可移植性，发现其在不同语料库间转移时性能损失小，并探讨了其线性假设的近似性。

Comments Published at WASSA 2026 (15th Workshop on Computational Approaches to Subjectivity, Sentiment & Social Media Analysis), ACL 2026. Pages 146-160

Faithful-First Reasoning, Planning, and Acting for Multimodal LLMs

多模态大语言模型中的忠实优先推理、规划与行动

Junxian Li, Xinyue Xu, Sai Ma, Di Zhang, Sichao Li

机构 * Shanghai Jiao Tong University（上海交通大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Australian National University（澳大利亚国立大学） ； Fudan University（复旦大学） ； University of Sydney（悉尼大学） 纠错

AI总结 本文提出Faithful-First RPA框架，通过逐步监督提升多模态推理的忠实度，实验表明其在多个基准上提升了24%的感知忠实度，且不降低任务准确性。

Comments Accepted by ACL 2026 Findings

Contrastive Decoding Mitigates Score Range Bias in LLM-as-a-Judge

对比解码缓解LLM-as-a-Judge的分数范围偏差

Yoshinari Fujinuma

机构 * Patronus AI 纠错

AI总结 本文针对LLM作为评判者时的分数范围偏差问题，提出对比解码方法，通过提升与人类评判的Spearman相关性，平均提升11.7%。

Comments To appear at ACL 2026

Telling Speculative Stories to Help Humans Imagine the Harms of Healthcare AI

讲述推测性故事以帮助人类想象医疗AI的害处

Xingmeng Zhao, Tongnian Wang, Dan Schumacher, Veronica Rammouz, Anthony Rios

机构 * The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） 纠错

AI总结 本文提出一种以人类为中心的框架，通过生成用户故事和多代理讨论，帮助人们在部署前创造性地思考医疗AI的潜在利弊。实验表明，阅读故事的参与者能更全面地识别各种害处。

Comments 8 pages main + Appendix; Accepted to ACL Findings 2026

Soft Head Selection for Injecting ICL-Derived Task Embeddings

用于注入ICL衍生任务嵌入的软头部选择

Jungwon Park, Jimyeong Kim, Changin Choi, Wonjong Rhee

机构 * Department of Intelligence and Information, Seoul National University（首尔大学智能与信息系） ； Daegu Gyeongbuk Institute of Science and Technology（大邱庆北科学技术院） ； Samsung Advanced Institute of Technology, Samsung Electronics Co., Ltd（三星电子三星综合技术院） 纠错

AI总结 本文提出SITE方法，通过梯度选择任务相关的注意力头部，有效注入任务嵌入，优于现有方法并在多种任务中表现优异，参数使用更少。

Comments Accepted by ACL 2026 Findings

LongSpec: Long-Context Lossless Speculative Decoding with Efficient Drafting and Verification

LongSpec: 长上下文无损推测解码与高效草稿生成与验证

Penghui Yang, Cunxiao Du, Fengzhuo Zhang, Haonan Wang, Tianyu Pang, Chao Du, Bo An

机构 * Sea AI Lab（Sea AI实验室） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 LongSpec通过三种创新解决长上下文场景下的推测解码问题，实现3.26倍速度提升和2.25倍时间减少，适用于长上下文理解任务。

Comments Accepted by ACL'25 (Main)

Efficient Learned Data Compression via Dual-Stream Feature Decoupling

通过双流特征解耦实现高效的学得式数据压缩

Huidong Ma, Xinyan Shi, Hui Sun, Xiaofei Yue, Xiaoguang Liu, Gang Wang, Wentong Cai

机构 * College of Computer Science, TMCC, SysNet, DISSec, GTIISC, Nankai University（南开大学计算机学院，TMCC，SysNet，DISSec，GTIISC） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Beijing Institute of Technology（北京理工大学） 纠错

AI总结 本文提出双流多尺度解耦器，通过解耦局部和全局上下文，替代深度串行处理，实现浅层并行流，并结合分层门控细化器，提升压缩效率与精度。

Comments Accepted to ACL 2026