期刊&会议
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
语言模型层与人类句子加工的双重对齐
机构 * MBZUAI ； Tohoku University（东北大学） ； UC San Diego（南加州大学） ； The University of Tokyo（东京大学） ； Georgetown University（乔治城大学）
AI总结 研究探讨了语言模型内部层在处理语法歧义时对人类认知努力的估计能力，发现后期层更准确但仍低估人类数据，揭示了人类与语言模型在句子加工中的不同模式。
Comments ACL 2026 main
对话动作预测中的转移矩阵正则化：在咨询对话中的应用
机构 * Technische Hochschule Nürnberg（纽伦堡技术大学）
AI总结 本文通过KL正则化使对话动作预测与转移模式对齐，在德国咨询分类中提升宏F1分数9-42%，并验证其跨语言和领域泛化能力，尤其在数据稀少任务中表现突出。
Comments Accepted as ACL findings paper
具有对齐检测和局部细化的自纠正文本到视频生成
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； NTU Singapore（新加坡国立大学） ； Allen Institute for AI（人工智能研究院） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出VideoRepair框架，通过检测并修正视频与文本提示的对齐问题，提升生成质量。框架分为三个阶段，保留正确生成区域并针对性修正错误部分，有效提升多种对齐指标。
Comments Accepted to ACL 2026 Findings. Project page: https://video-repair.github.io
S2H-DPO：面向视觉-语言模型的硬度感知偏好优化
机构 * Michigan State University（密歇根州立大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出S2H-DPO框架，通过三级层次推理构建多图象偏好数据，提升多图象推理性能，同时保持单图象推理能力，推动视觉偏好对齐的前沿发展。
Journal ref Findings of the Association for Computational Linguistics: ACL 2026
LQM：基于语言学的多维质量度量用于机器翻译
机构 * The University of British Columbia（不列颠哥伦比亚大学） ； Minia University（米尼亚大学） ； Canada Research Chair in NLP and ML（加拿大自然语言处理与机器学习研究主席）
AI总结 本文提出LQM，一种基于语言学的多维质量度量框架，用于评估机器翻译质量，通过六个语言学层面分析翻译错误，并在阿拉伯语多方言上进行实验，提供标注数据和自动指标。
Comments Accepted to ACL 2026; resources available at https://github.com/UBC-NLP/LQM_MT
从因果推断视角学习不变模态表示以实现稳健的多模态学习
机构 * School of Computer Science, South China Normal University（华南师范大学计算机学院）
AI总结 本文提出CmIR框架，通过因果推断分离模态中的因果不变表示与环境特定的虚假表示，提升多模态学习的鲁棒性和泛化能力。
Comments Accepted by ACL 2026 Main
BhashaSutra：印度NLP数据集、语料库和资源的任务导向统一调查
机构 * Department of Computer Science and Engineering, Indian Institute of Technology Patna, India（印度理工学院帕纳加邦计算机科学与工程系） ； Indian Institute of Technology Patna, India（印度理工学院帕纳加邦）
AI总结 本文首次系统梳理印度NLP资源，涵盖200+数据集、50+基准测试和100+模型工具，分析注释、评估及模型设计趋势，识别数据稀疏、语言覆盖不均等挑战，为公平、文化导向的NLP研究提供基础。
Comments Accepted to ACL 2026 (Main Conference)
对话代理的IceBreaker：通过个性化开场白打破第一消息障碍
机构 * ByteDance（字节跳动）
AI总结 本文提出IceBreaker，通过生成个性化开场白帮助对话代理克服用户初始对话时的障碍，提升用户活跃度和点击率。
Comments ACL 2026 Accepted Paper (Industry Track)
PRISMA：基于偏好强化的自我训练方法用于可解释的具有情感智能的谈判对话
机构 * Department of Computer Science and Engineering, Indian Institute of Technology Patna, India（印度理工学院帕纳瓦分校计算机科学与工程系） ； School of Artificial Intelligence and Data Science, Indian Institute of Technology Jodhpur, India（印度理工学院朱道尔分校人工智能与数据科学学院）
AI总结 PRISMA通过引入情感感知谈判策略引导的推理机制，提升谈判对话的可解释性和情感响应能力，在招聘面试和资源分配领域实现更有效的谈判效果。
Comments 10 pages + appendix (23 pages total), paper accepted at ACL (Main) 2026
FregeLogic在SemEval 2026任务11中的应用：一种混合神经符号架构用于内容鲁棒的三段论有效性预测
机构 * Amazon Web Services（亚马逊网络服务）
AI总结 本文提出FregeLogic系统，结合多个LLM分类器与Z3 SMT求解器，通过形式逻辑验证减少内容偏差，提升三段论有效性预测的准确率和鲁棒性。
Comments Camera-ready version to appear at The 20th International Workshop on Semantic Evaluation (SemEval-2026), ACl 2026
通过隐喻视角探索具体性
机构 * University of Cincinnati（俄亥俄州立大学）
AI总结 研究探讨LLM如何区分字面与隐喻用法，发现早期层分离具体性，中后期层压缩为一维方向，该结构可提升隐喻分类和生成控制。
Comments ACL 2026
神经语言模型解释路径效应的存在性证明
机构 * The University of Tokyo（东京大学） ； NINJAL ； NII LLMC（日本国家研究所语言模型中心） ； MBZUAI（穆桑大学人工智能研究所）
AI总结 本文通过微调神经语言模型，证明其能通过惊奇度解释路径效应，并提升对自然语料阅读时间的预测能力，同时引发对惊奇度理论的质疑。
Comments To appear in ACL 2026
AJ-Bench：用于环境感知评估的代理作为裁判基准测试
机构 * University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学） ； Meituan（美团）
AI总结 AJ-Bench通过三个领域155个任务评估代理作为裁判的能力，揭示了基于代理的验证方法在信息获取和过程验证中的性能提升及挑战。
Comments Accepted to ACL 2026 Findings. 43 pages total, 5 figures
难以被听见：对发音复杂、低资源濒危语言的音素级ASR分析
机构 * University of Tübingen（图宾根大学） ； University of Jena（耶拿大学）
AI总结 研究通过音素级分析，探讨发音复杂且低资源的濒危语言在ASR中的表现，发现数据稀缺性比发音复杂性更影响识别性能。
Comments Accepted to ACL 2026 (Findings)
多模态大语言模型中的乘法：文本、图像和音频输入的计算
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； National University of Singapore (NUS)（新加坡国立大学）
AI总结 研究多模态大语言模型在处理不同模态下的多数字乘法时的局限性，提出一个受控的多模态乘法基准，通过因子变化数字长度、稀疏性、表示形式和模态，定义算术负载作为总和和非零数字计数的乘积，揭示模型性能与算术负载的关系。
Comments To appear in ACL Findings (2026)
超越复制：一种配对任务框架用于评估LLM在文学翻译中的理解与创造力
机构 * Natural Language Learning Group (NLLG) School of Business Informatics and Mathematics University of Mannheim（曼海姆大学自然语言学习组（NLLG）商学院信息与数学学院） ； University of Technology Nuremberg (UTN), Department Engineering（纽伦堡技术大学（UTN）工程系） ； University of Gent, Department of Translation, Interpreting and Communication（根特大学翻译、口译与传播系） ； University of Aberdeen, Department of Computing Science（阿伯丁大学计算科学系） ； Natural Language Learning and Generation (NLLG) Lab（自然语言学习与生成（NLLG）实验室）
AI总结 本文提出一种配对任务框架，评估LLM在文学翻译中的理解与创造力。通过11本书的文学片段，评估模型的文本理解与翻译创造力，发现强理解不等于人类水平的创造力，仅Mistral-Large接近人类水平。
Comments Accepted to ACL 2026 Findings
TLoRA：面向任务的大型语言模型低秩适应
机构 * College of Computer Science and Software Engineering, Shenzhen University, China（深圳大学计算机科学与软件工程学院，中国）
AI总结 TLoRA通过联合优化初始化和资源分配，提升LoRA在不同任务中的性能，减少可训练参数数量。
Comments Accept to ACL 2026
Decisive: 通过从非结构化文档中最优偏好引导用户决策
机构 * Adobe Research, India（Adobe印度研究实验室） ； IIT Madras（印度理工学院马德拉斯分校） ； IIT Roorkee（印度理工学院罗尔基分校） ； IIIT Hyderabad（Hyderabad印度理工学院） ； University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 Decisive结合文档基础推理与贝叶斯偏好推断，通过主动引导用户回答成对权衡问题，提高决策准确性，实验表明其在多个领域优于传统方法和大语言模型。
Comments Accepted to ACL 2026 Main Conference
通过多源动态logit融合实现高效低资源语言适应
机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王宣计算机技术研究所）
AI总结 本文提出TriMix框架，通过融合小模型、任务指令微调和大模型的logit，有效提升低资源语言适应性能，无需标注数据和计算资源，实验显示优于单模型基线和Proxy Tuning。
Comments ACL 2026
JudgeMeNot: 为 Hebrew 语境下的司法推理个性化大型语言模型
机构 * Computer and Information Science Ben-Gurion University of the Negev（计算机与信息科学贝内尔·加隆大学）
AI总结 本文提出一种合成有机监督流程，通过将原始司法判决转化为指令微调数据，实现低资源环境下对法官个性化模型的高效微调，并在三个任务中验证了因果语言模型结合合成指令微调的优越性。
Comments To appear in Findings of the ACL 2026
ltzGLUE：卢森堡语通用语言理解评估
机构 * University of Luxembourg（卢森堡大学） ； LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； LIST（卢森堡国家信息技术与智能系统研究所） ； Lancaster University（兰卡斯特大学）
AI总结 本文提出ltzGLUE，首个针对卢森堡语的NLU基准，填补了该语言在NLU领域的评估空白，通过新任务和现有任务评估编码器模型能力。
Comments Accepted at ACL Findings 2026
从后备到前线：当LLMs能成为人类视角的超级标注者吗？
机构 * Purdue University（普渡大学） ； Washington University in St. Louis（华盛顿大学圣路易斯分校）
AI总结 本文探讨LLMs在预测主观任务中群体子观点时超越人类标注者的条件，指出LLMs的结构特性如低方差和减少的表示与处理偏差是其优势来源，而非经验因素。
Comments ACL 2026
过程奖励模型与规划：生成精确且可扩展的步骤级奖励数据集
机构 * Babelscape ； Sapienza University of Rome（罗马萨皮恩扎大学）
AI总结 本文提出基于规划逻辑问题生成过程奖励模型数据集的方法，通过PDDL领域定义语言生成百万级推理步骤，提升数学和非数学推理能力。
Comments Accepted to ACL 2026 (main conference)
ReCoQA：一个用于房地产问答中工具增强和多步骤推理的基准
机构 * Hong Kong Baptist University（香港 Baptist大学） ； Beijing Normal-Hong Kong Baptist University（北京师范大学-香港 Baptist大学） ； Beijing Normal University（北京师范大学）
AI总结 本文提出ReCoQA基准，包含29270个房地产实例，通过机器可验证的监督提升多步骤推理能力，并提出HIRE-Agent框架作为强基线，验证了层级协作在复杂现实任务中的必要性。
Comments Accepted by ACL 2026
从头到神经元：多任务视觉-语言模型中的因果归因与操控
机构 * Tongji University（同济大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出HONES框架，通过任务相关的注意力头来评估神经元的因果贡献，改进多任务视觉-语言模型中神经元的归因与操控，提升模型性能。
Comments ACL 2026 Findings
形式语言能力异质性：数据是否是真正的瓶颈？
机构 * Adobe Inc.（Adobe公司） ； Media and Data Science Research（媒体与数据科学研究）
AI总结 本研究探讨语言模型在形式语言能力上的差异是否源于架构限制或数据稀缺，通过干预性数据增强显著提升了模型在8个最差BLiMP任务上的表现。
Comments ACL'26 (Findings)
HEALing Entropy Collapse: 通过混合领域熵动力学对齐增强少样本RLVR的探索
机构 * School of Informatics, Xiamen University（厦门大学信息学院） ； Tsinghua University（清华大学） ； Xiamen Unisound Intelligence Technology Co., Ltd（厦门Unisound智能科技有限公司） ； Key Laboratory of Digital Protection and Intelligent Processing of Intangible Cultural Heritage of Fujian and Taiwan (Xiamen University), Ministry of Culture and Tourism, China（福建省和台湾非物质文化遗产数字化保护与智能处理重点实验室（厦门大学），中华人民共和国文化和旅游部，中国）
AI总结 本文提出HEAL框架，通过混合领域熵动力学对齐缓解少样本RLVR中的熵崩溃问题，提升探索多样性与推理性能。
Comments Accepted by ACL 2026 Main Conference
基于用户定义动态模板和自然语言指令的自动幻灯片更新
机构 * School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） ； Institute of Artificial Intelligence and Future Networks, Beijing Normal University（北京师范大学人工智能与未来网络研究院） ； Faculty of Arts and Sciences, Beijing Normal University（北京师范大学文理学院） ； Beijing Normal-Hong Kong Baptist University（北京师范大学-香港 Baptist大学）
AI总结 本文提出DynaSlide基准，结合多模态解析和自然语言指令，实现幻灯片动态更新，保留布局与样式，并设计评估协议揭示未来研究挑战。
Comments To appear in Findings of the Association for Computational Linguistics (ACL 2026)
基于代理的测试时对齐的拒绝标准
机构 * Université Paris-Saclay, CNRS, LISN（巴黎萨克雷大学，法国国家科学研究中心，LISN实验室） ； INSA Rennes, IRISA, CNRS, Université de Rennes（里昂大学，IRISA，法国国家科学研究中心，雷恩大学）
AI总结 本文提出基于保守置信度赌局的新型拒绝标准，改进了代理引导生成大模型的方法，在多个数据集上表现更优。
Comments ACL 2026 Main
探索大型语言模型在掌握中文Chouxiang语言中的能力边界
机构 * College of Computer Science, Inner Mongolia University, China（内蒙古大学计算机学院，中国）
AI总结 本文通过设计Mouse基准测试，探讨大型语言模型在Chouxiang语言自然语言处理任务中的能力限制，揭示SOTA模型在多任务中的不足，并分析其在Chouxiang翻译中的关键影响因素。
Comments Accepted to ACL 2026 Findings
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