ACL

ResearchBench: Benchmarking LLMs in Scientific Discovery via Inspiration-Based Task Decomposition

ResearchBench: 通过基于灵感的任务分解对LLM在科学发现中的基准测试

Yujie Liu, Zonglin Yang, Tong Xie, Jinjie Ni, Ben Gao, Yuqiang Li, Shixiang Tang, Wanli Ouyang, Erik Cambria, Dongzhan Zhou

机构 * Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Nanyang Technological University（南洋理工大学） ； University of New South Wales（新南威尔士大学） ； National University of Singapore（新加坡国立大学） ； Wuhan University（武汉大学） 纠错

AI总结 本文提出ResearchBench，首个评估LLM在科学发现子任务中的基准，包含灵感检索、假设生成和排序，通过自动化框架提取跨12学科论文的关键信息，验证其准确性，并展示LLM在非分布任务中表现优异。

Comments Accepted by ACL 2026 (findings)

XOXO: Stealthy Cross-Origin Context Poisoning Attacks against AI Coding Assistants

XOXO：针对AI编码助手的隐蔽跨域上下文污染攻击

Adam Štorek, Mukur Gupta, Noopur Bhatt, Aditya Gupta, Janie Kim, Prashast Srivastava, Suman Jana

机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出XOXO攻击，通过隐蔽的跨域上下文污染使AI编码助手生成漏洞代码。引入GCGS算法，利用Cayley图系统搜索变换空间，实现75.72%的攻击成功率，传统防御方法无效。

Comments Accepted to ACL 2026 (main)

FastKV: Decoupling of Context Reduction and KV Cache Compression for Prefill-Decoding Acceleration

FastKV: 解耦上下文缩减与KV缓存压缩以加速预填解码

Dongwon Jo, Jiwon Song, Yulhwa Kim, Jae-Joon Kim

机构 * Seoul National University（首尔国立大学） ； Sungkyunkwan University（庆州大学） 纠错

AI总结 FastKV通过解耦上下文缩减与KV缓存压缩，提升预填和解码效率，实验显示在预填和解码阶段分别获得1.82倍和2.87倍加速，同时保持解码-only基线的准确性。

Comments Findings of ACL: ACL 2026

Generating Attribution Reports for Manipulated Facial Images: A Dataset and Baseline

生成篡改面部图像的归因报告：一个数据集和基线

Jingchun Lian, Lingyu Liu, Yaxiong Wang, Yujiao Wu, Lianwei Wu, Li Zhu, Zhedong Zheng

机构 * Xi’an Jiaotong University（西安交通大学） ； Hefei University of Technology（合肥工业大学） ； CSIRO（澳大利亚联邦科学与工业研究组织） ； Northwestern Polytechnical University（西北工业大学） ； University of Macau（澳门大学） 纠错

AI总结 本文提出多模态篡改追踪数据集和 ForgeryTalker 框架，通过联合定位篡改区域和生成自然语言解释，提升面部伪造检测的语义理解能力。

Comments Accepted to ACL 2026 (Main Conference). This version includes camera-ready revisions and updated experimental results

Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026)

Understanding Secret Leakage Risks in Code LLMs: A Tokenization Perspective

理解代码大语言模型中的秘密泄露风险：从分词角度出发

Meifang Chen, Zhe Yang, Huang Nianchen, Yizhan Huang, Yichen Li, Zihan Li, Michael R. Lyu

机构 * The Chinese University of Hong Kong（香港中文大学） ； Nanyang Technological University（南洋理工大学） ； University of Southern California（南加州大学） ； Fudan University（复旦大学） 纠错

AI总结 研究揭示代码大语言模型中因分词方式导致的秘密泄露问题，指出BPE分词引发的'垃圾话偏差'现象，并探讨其成因及缓解策略。

Comments Accepted by ACL 26 Findings

Forget What Matters, Keep the Rest: Selective Unlearning of Informative Tokens

忘却重要信息，保留其余：信息性标记的选择性反学习

Seunghee Koh, Sunghyun Baek, Youngdong Kim, Junmo Kim

机构 * Korea Advanced Institute of Science and Technology, South Korea（韩国科学技术院） ； Hanbat National University, South Korea（汉阳大学） 纠错

AI总结 本文提出ETW方法，通过熵引导标记加权实现信息性标记的选择性反学习，提升模型效用。

Comments Accepted to ACL 2026 Main Conference. 17 pages, 9 figures

SPENCE: A Syntactic Probe for Detecting Contamination in NL2SQL Benchmarks

SPENCE：一种用于检测NL2SQL基准污染的句法探针

Mohammadtaher Safarzadeh, Hitesh Laxmichand Patel, Afshin Orojlooyjadid, Graham Horwood, Dan Roth

机构 * Oracle AI 纠错

AI总结 SPENCE通过生成句法变体检测NL2SQL基准中的污染，分析模型在句法差异下的执行准确性变化，揭示基准释放时间与污染程度的关系。

Comments ACL 2026 Main Conference

Reverse Constitutional AI: A Framework for Controllable Toxic Data Generation via Probability-Clamped RLAIF

反宪法AI：通过概率限制RLAIF实现可控有毒数据生成的框架

Yuan Fang, Yiming Luo, Aimin Zhou, Fei Tan

机构 * East China Normal University（东华大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 本文提出反宪法AI框架，通过概率限制RLAIF生成可控的高质有毒数据，提升安全评估。

Comments Accepted to Findings of ACL 2026. 10 pages, 6 figures. Code and data available at https://github.com/ZeroLoss-Lab/R-CAI

When Vision-Language Models Judge Without Seeing: Exposing Informativeness Bias

当视觉-语言模型评判而不看：揭示信息性偏差

Xiaohan Zou, Roshan Sridhar, Mohammadtaher Safarzadeh, Dan Roth

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Oracle AI 纠错

AI总结 研究揭示视觉-语言模型在评判时存在的信息性偏差问题，提出BIRCH方法通过修正图像与答案的一致性提升评判可靠性，实验显示偏差降低17%，性能提升9.8%。

Comments Accepted at ACL 2026 Main Conference

Evolutionary Negative Module Pruning for Better LoRA Merging

进化式负模块剪枝以提升LoRA融合

Anda Cao, Zhuo Gou, Yi Wang, Kaixuan Chen, Yu Wang, Can Wang, Mingli Song, Jie Song

机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； School of Software Technology, Zhejiang University（浙江大学软件学院） ； State Key Laboratory of Blockchain and Security, Zhejiang University（浙江大学区块链与安全国家重点实验室） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高新技术区（滨江）区块链与数据安全研究院） 纠错

AI总结 本文提出ENMP方法，通过进化搜索策略识别并排除LoRA融合中的负模块，提升多任务部署效率。

Comments Accepted to ACL 2026 (main conference)

MHSafeEval: Role-Aware Interaction-Level Evaluation of Mental Health Safety in Large Language Models

MHSafeEval：面向大语言模型中心理健康安全的交互层面角色感知评估

Suhyun Lee, Palakorn Achananuparp, Neemesh Yadav, Ee-Peng Lim, Yang Deng

机构 * Department of Artificial Intelligence, Hanyang University（翰艺大学人工智能系） ； School of Computing and Information Systems, Singapore Management University（新加坡国立管理学院信息系） 纠错

AI总结 本文提出MHSafeEval框架，通过角色感知模型评估大语言模型在多轮对话中的心理健康安全问题，揭示角色依赖性和累积性安全故障，提升故障模式覆盖和诊断精度。

Comments Accepted to ACL 2026 Findings

RePrompT: Recurrent Prompt Tuning for Integrating Structured EHR Encoders with Large Language Models

RePrompT：基于结构化电子健康记录编码器的循环提示微调

Arya Hadizadeh Moghaddam, Drew Ross, Mohsen Nayebi Kerdabadi, Dongjie Wang, Zijun Yao

机构 * University of Kansas（堪萨斯大学） 纠错

AI总结 RePrompT通过循环整合结构化EHR编码器与大语言模型，解决时间序列信息丢失和代码身份模糊问题，提升临床预测性能。

Comments Finding of ACL 2026 - Accepted Paper

Program Structure-aware Language Models: Targeted Software Testing beyond Textual Semantics

基于程序结构的语言模型：超越文本语义的针对性软件测试

Khang Tran, Khoa Nguyen, Cristian Borcea, NhatHai Phan

机构 * New Jersey Institute of Technology（新泽西理工学院） 纠错

AI总结 本文提出GLMTest框架，通过整合代码属性图和语义，利用图神经网络和语言模型生成针对性测试用例，提升分支覆盖和漏洞发现能力。

Comments Accepted in The 64th Annual Meeting of the Association for Computational Linguistics (ACL Findings 2026)

Towards Self-Improving Error Diagnosis in Multi-Agent Systems

迈向多智能体系统中的自改进错误诊断

Jiazheng Li, Emine Yilmaz, Bei Chen, Dieu-Thu Le

机构 * King’s College London（伦敦国王学院） ； Amazon Alexa AI（亚马逊Alexa AI） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出ErrorProbe框架，通过三阶段流程实现多智能体系统的语义故障归因，利用验证记忆提升跨领域迁移能力，在TracerTraj和Who&When基准测试中表现优异。

Comments 15 pages, 3 figures; accepted at ACL 2026 Findings

PV-SQL: Synergizing Database Probing and Rule-based Verification for Text-to-SQL Agents

PV-SQL：数据库探查与基于规则的验证相结合用于文本到SQL代理

Yuan Tian, Tianyi Zhang

机构 * Purdue University（普渡大学） 纠错

AI总结 PV-SQL通过探查和验证组件提升文本到SQL系统的上下文理解能力，实验显示其在执行准确率和有效效率上优于现有基准，且消耗更少token。

Comments Accepted to Findings of ACL 2026

Measuring Distribution Shift in User Prompts and Its Effects on LLM Performance

评估用户提示分布转移及其对LLM性能的影响

Parker Seegmiller, Sarah Masud Preum

机构 * Department of Computer Science（计算机科学系） 纠错

AI总结 研究用户提示分布转移对部署LLM性能的影响，通过大规模评估发现提示行为的适度变化会导致LLM性能显著下降，强调了数据驱动监控的重要性。

Comments Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)

ThreadSumm: Summarization of Nested Discourse Threads Using Tree of Thoughts

ThreadSumm: 使用思维树进行嵌套讨论线的摘要

Olubusayo Olabisi, Ekata Mitra, Ameeta Agrawal

机构 * PortNLP Lab, Portland State University（波特兰州立大学PortNLP实验室） ； Department of Computer Science, Portland State University（波特兰州立大学计算机科学系） 纠错

AI总结 ThreadSumm通过多阶段LLM框架处理嵌套讨论线中的交错回复和引用，生成逻辑结构更清晰的摘要，同时提升观点覆盖和方面保留。

Comments Accepted to ACL 2026

HCFD: A Benchmark for Audio Deepfake Detection in Healthcare

HCFD：医疗音频深度伪造检测基准

Mohd Mujtaba Akhtar, Girish, Muskaan Singh

AI总结 本文提出HCFD任务，针对病理语音条件下的编码器伪造检测，通过构建首个病理感知数据集和提出PHOENIX-Mamba框架，在多临床条件和编码器上实现最高性能。

Comments Accepted to ACL 2026

MAPLE: A Meta-learning Framework for Cross-Prompt Essay Scoring

MAPLE：一种用于跨提示作文评分的元学习框架

Salam Albatarni, May Bashendy, Sohaila Eltanbouly, Tamer Elsayed

机构 * Computer Science and Engineering Department, Qatar University（卡塔尔大学计算机科学与工程系） 纠错

AI总结 MAPLE通过元学习框架提升跨提示作文评分的泛化能力，在ELLIPSE和LAILA数据集上取得最佳性能，优于基线方法。

Comments Accepted at ACL Findings 2026

CoAct: Co-Active LLM Preference Learning with Human-AI Synergy

CoAct：基于人机协同的LLM偏好学习

Ruiyao Xu, Mihir Parmar, Tiankai Yang, Zhengyu Hu, Yue Zhao, Kaize Ding

机构 * Northwestern University（西北大学） ； Google（谷歌） ； University of Southern California（南加州大学） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出CoAct框架，通过策略性的人机协作结合自奖励与主动学习，提升LLM在不同任务中的对齐效果，在三个推理基准测试中取得显著提升。

Comments ACL 2026

Waking Up Blind: Cold-Start Optimization of Supervision-Free Agentic Trajectories for Grounded Visual Perception

觉醒失明：为基于视觉感知的代理轨迹进行无监督的冷启动优化

Ashutosh Bajpai, Tamal Majumder, Akshay Nambi, Tanmoy Chakraborty

机构 * Indian Institute of Technology Delhi（印度理工学院德里） ； Indian Institute of Technology Abu Dhabi（印度理工学院阿布扎比） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出SPECTRA框架，通过冷启动强化学习提升小视觉语言模型的视觉鲁棒性和工具协调能力，无需监督即可提高任务准确性和工具效率。

Comments ACL 2026 Findings

Think before Go: Hierarchical Reasoning for Image-goal Navigation

先思后行：面向图像目标导航的层次推理

Pengna Li, Kangyi Wu, Shaoqing Xu, Fang Li, Lin Zhao, Long Chen, Zhi-Xin Yang, Nanning Zheng

机构 * National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, National Engineering Research Center for Visual Information and Applications, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（人机混合增强智能国家实验室、视觉信息与应用国家工程研究中心、人工智能与机器人研究所、西安交通大学） ； University of Macau（澳门大学） ； Xiaomi EV（小米电动车） ； School of Automation, Beijing Institute of Technology（自动化学院，北京理工大学） 纠错

AI总结 本文提出HRNav框架，通过分层规划与执行解决图像目标导航问题，利用视觉语言模型生成短期计划并结合在线强化学习策略，引入Wandering Suppression Penalty降低漂移问题，实验验证其有效性。

Comments Accepted by ACL2026 (main conference)

Representation-Guided Parameter-Efficient LLM Unlearning

基于表示的参数高效LLM去学习

Zeguan Xiao, Lang Mo, Yun Chen, Lei Yang, Jiehui Zhao, Lili Yang, Guanhua Chen

机构 * Shanghai University of Finance and Economics（上海金融学院） ； Southern University of Science and Technology（南方科技大学） ； Deepexi Technology Co. Ltd（深点科技有限公司） 纠错

AI总结 本文提出REGLU方法，利用表示空间的几何特性实现鲁棒且精确的去学习。通过开发表示引导的LoRA初始化和正则化损失，有效分离遗忘与保留集参数，提升去学习效果。

Comments Findings of ACL 2026

AnchorMem: Anchored Facts with Associative Contexts for Building Memory in Large Language Models

AnchorMem: 基于关联上下文的锚定事实用于构建大语言模型的记忆

Zhanyu Shen, Sijie Cheng, Zhicheng Guo, Weiqin Wang, Yile Wang, Hui Huang

机构 * College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出AnchorMem，通过锚定事实与关联上下文构建大语言模型的记忆系统，解决传统方法依赖总结导致信息丢失的问题，实验表明其在LoCoMo基准上表现优异。

Comments ACL 2026 Findings

Still Between Us? Evaluating and Improving Voice Assistant Robustness to Third-Party Interruptions

我们之间仍存在差距吗？评估和改进语音助手对第三方中断的鲁棒性

Dongwook Lee, Eunwoo Song, Che Hyun Lee, Heeseung Kim, Sungroh Yoon

机构 * Interdisciplinary Program in Artificial Intelligence, Seoul National University（首尔国立大学人工智能跨学科项目） ； Department of EE, Yonsei University（延世大学电子工程系） ； Department of ECE, SNU（首尔国立大学电子与计算机工程系） ； Department of AI, University of Seoul（首尔大学人工智能系） ； AIIS, ASRI, INMC, and ISRC, SNU（首尔国立大学人工智能研究所、亚洲研究机构、智能网络研究中心和智能系统研究所以及首尔国立大学） 纠错

AI总结 本文提出TPI-Train数据集和TPI-Bench框架，通过引入说话人感知的硬负样本，提升语音模型对第三方中断的鲁棒性，并减少语义捷径学习问题。

Comments ACL 2026 main conference

More Than Meets the Eye: Measuring the Semiotic Gap in Vision-Language Models via Semantic Anchorage

超越表象：通过语义锚定测量视觉语言模型中的象征性差距

Wei He

机构 * IDSAI, University of Exeter（IDSAI研究所，埃克塞特大学） 纠错

AI总结 研究通过引入DIVA基准测试，探讨高视觉保真度是否干扰视觉抽象中的隐喻构成性，提出语义对齐差距和方向偏置指标，发现模型规模无法解决字面偏好，高保真度导致象征性对齐减弱。

Comments 16 pages, 4 figures. Accepted to the Main Conference of ACL 2026

SOCIA-EVO: Automated Simulator Construction via Dual-Anchored Bi-Level Optimization

SOCIA-EVO: 通过双锚点双层优化实现自动模拟器构建

Yuncheng Hua, Sion Weatherhead, Mehdi Jafari, Hao Xue, Flora D. Salim

机构 * School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院） 纠错

AI总结 本文提出SOCIA-EVO框架，通过双锚点双层优化解决长周期LLM代理中的上下文漂移和优化不稳定问题，生成统计上与观测数据一致的模拟器。

Comments This paper has been accepted to the ACL 2026 Main Conference

FLARE: Task-agnostic embedding model evaluation through a normalization process

FLARE：通过归一化过程实现任务无关的嵌入模型评估

Jingzhou Jiang, Yixuan Tang, Yi Yang, Kar Yan Tam

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 FLARE通过归一化流方法直接从对数似然估计信息充分性，避免距离基密度估计，在高维空间中稳定评估嵌入模型，实验显示其在监督基准中达到Spearmanρ为0.90。

Comments Accepted to Findings of ACL 2026

Align Documents to Questions: Question-Oriented Document Rewriting for Retrieval-Augmented Generation

对齐文档与问题：面向问题的文档重写以增强检索增强生成

Jiaang Li, Zhendong Mao, Quan Wang, Yuning Wan, Yongdong Zhang

机构 * University of Science and Technology of China（中国科学技术大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

AI总结 本文提出QREAM框架，通过风格控制重写使检索文档更符合问题需求，提升检索增强生成的准确性与效率。

Comments ACL'26 Findings

E2E-GMNER: End-to-End Generative Grounded Multimodal Named Entity Recognition

E2E-GMNER：端到端生成式 grounded 多模态命名实体识别

Meng Zhang, Jinzhong Ning, Xiaolong Wu, Hongfei Lin, Yijia Zhang

机构 * Dalian Maritime University（大连海事大学） ； Dalian University of Technology（大连理工大学） 纠错

AI总结 本文提出E2E-GMNER，通过端到端生成框架统一实体识别、语义类型预测和视觉定位，采用链式推理和GRBP提升鲁棒性，实验证明其在多模态命名实体识别任务中表现优异。

Comments Accepted to Findings of ACL 2026