期刊&会议
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
Frankentext：将随机文本片段拼接成长篇叙述
机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 Frankentext通过将大量随机文本片段拼接成连贯故事，挑战LLM生成质量与原创性，同时引发作者权属问题。
Comments Accepted to ACL 2026
如何增强大推理模型的安全性：一项实证研究
机构 * The Conversational AI (CoAI) group, DCST, Tsinghua University（清华大学对话人工智能（CoAI）小组，DCST，清华大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室）
AI总结 本文通过监督微调探讨如何提升大推理模型的安全性，发现直接蒸馏安全响应无效，但针对性处理危险模式可显著提升安全性，且短或模板化推理过程同样有效。
Comments ACL 2026 Main Conference
位置：多模态大语言模型可以显著推动科学推理
机构 * Squirrel AI ； HKUST(GZ)（香港科技大学（广州）） ； HKUST（香港科技大学） ； Tsinghua University（清华大学） ； University of Illinois at Chicago（伊利诺伊大学香槟分校） ； Cornell University（康奈尔大学）
AI总结 本文探讨多模态大语言模型在科学推理中的应用，提出四阶段研究路线，指出当前模型在跨领域推理中的潜力与挑战，为实现通用人工智能提供新视角。
Comments Accepted by The 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026, Findings)
TemporalVLM：长视频中的时间推理视频大语言模型
机构 * Retrocausal, Inc.（Retrocausal公司）
AI总结 本文提出TemporalVLM，一种用于长视频时间推理和细粒度理解的视频大语言模型，通过时间感知编码和BiLSTM模块实现全局特征聚合，并引入IndustryASM数据集进行评估。
Comments Accepted to ACL 2026
一种用于定性分析中测量'开放代码'的计算方法
机构 * University of Arizona（亚利桑那大学） ； Northwestern University（西北大学）
AI总结 本文提出一种基于理论的计算方法，用于评估人类和生成式AI在定性分析中的开放代码结果，通过合并代码本和四种新指标验证方法的稳定性与鲁棒性。
Comments Accepted by ACL 2026 Findings
SFTMix：通过混合配方提升语言模型指令微调
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Zoom Video Communications（Zoom视频通讯）
AI总结 本文提出SFTMix方法，通过混合不同置信度的数据提升指令微调效果，适用于指令遵循和医疗特定任务，展示了在不同模型和数据集上的广泛适用性。
Comments Accepted by ACL 2026
ErrorRadar：通过错误检测基准测试多模态大语言模型的复杂数学推理能力
机构 * Squirrel AI ； HKUST(GZ)（香港科技大学(广州)） ； HKUST（香港科技大学） ； MSU（密歇根州立大学） ； UCAS（中国科学技术大学） ； University of Illinois at Chicago（伊利诺伊大学香槟分校）
AI总结 ErrorRadar通过错误检测任务评估多模态大语言模型在复杂数学推理中的能力，包含2500个高质量K-12数学问题，实验显示GPT-4o仍比人类评价差10%。
Comments Accepted by The 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026, Findings)
大语言模型中的道德与价值观判断中的惯性
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Ewha Womans University（成均馆大学）
AI总结 研究发现大语言模型在不同角色设定下仍保持一致的价值取向，存在道德和价值观维度的惯性倾向，揭示了模型内部的偏见和价值偏好。
Comments ACL 2026
通过双粒度提示构建异质金融数据建模的统一框架
机构 * DiDi International Business Group（滴滴国际商务集团） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Zhejiang University（浙江大学）
AI总结 本文提出FinLangNet框架，通过双模块架构结合表格特征提取与时间序列建模，解决工业信用评分中异质金融数据复杂性和信用worthiness演变的挑战，实验证明其在KS指标和坏账率上有显著提升。
Comments ACL 2026 Oral
请拒绝回答我！通过自适应对比解码缓解大语言模型中的过度拒绝问题
机构 * School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学信息科学与技术学院深圳校区） ； School of Information, Central University of Finance and Economics（中央财经大学信息学院） ； School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） ； School of Computing Technologies, RMIT University（皇家墨尔本理工大学计算技术学院）
AI总结 本文提出自适应对比解码方法，通过对比安全提示下的输出分布，缓解大语言模型的过度拒绝问题，同时保持对恶意查询的高拒绝率。
Comments Accepted by ACL 2026 Main Conference
词法化如何限制语言模型中语音知识的表示以及如何改进
机构 * University of Waterloo（滑铁卢大学） ； Vector Institute（向量研究所）
AI总结 研究探讨词法化对文本模型语音知识表示的影响，提出STAD指标量化词法化偏差，并通过IPA基础微调方法提升语音相关任务性能。
Comments 18 pages, 7 figures, ACL 2026
比较人类与大语言模型对隐含信息的解释
机构 * Politecnico di Milano（米兰理工大学）
AI总结 研究比较人类与大语言模型对隐含信息的解释方法，通过隐含信息提取任务发现，人类在多数情况下与模型一致，但常提出额外信息，表明当前基于LLM的隐含信息提取覆盖有限。
Comments ACL 2026 Findings
Abstain-R1: 通过可验证的强化学习实现校准的回避与拒绝后澄清
机构 * University of Minnesota（明尼苏达大学）
AI总结 本文提出Abstain-R1模型，通过可验证的强化学习奖励机制，提升模型在无法回答查询时的回避与澄清能力，同时保持对可回答查询的性能。
Comments Accepted at ACL 2026
通过道德攻击 jailbreak 大型语言模型
机构 * South China University of Technology（南方科技大学） ； HKUST（香港科技大学） ； Beihang University（北航大学）
AI总结 本文通过道德攻击研究大型语言模型的内部道德价值观，构建了包含10300个实例的道德数据集，提出了四种对抗攻击方法，揭示了LLM和防护模型在道德感知攻击中的关键漏洞。
Comments 27 pages, 6 figures, 18 tables. Accepted by ACL 2026 Findings
动态情绪与人格画像用于多模态欺骗检测
机构 * Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education, School of Cyber Science and Engineering, Wuhan University（航天信息安全部门与可信计算教育部重点实验室，网络安全科学与工程学院，武汉大学）
AI总结 本文提出多模型多提示标注方案和严格标签质量评估标准，建立多模态联合检测数据集DDEP，提出Rel-DDEP框架，通过高维高斯分布空间量化不确定性，实现欺骗、情绪和人格的联合检测。
Comments Accepted by ACL 2026
超越静态基准：基于人设的模拟合成有害内容以实现稳健评估
机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
AI总结 本文提出基于人设的模拟合成有害内容框架，通过整合人口统计信息与主题兴趣，生成多样化且情境相关的有害交互，验证了其在有害性、挑战性和多样性方面的有效性，为评估检测系统提供更鲁棒的测试工具。
Comments ACL 2026
BIASEDTALES-ML：一个多语言数据集用于分析LLM生成故事中的叙述属性分布
机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院，中国沈阳） ； NiuTrans Research, Shenyang, China（NiuTrans研究院，中国沈阳）
AI总结 本文提出BiasedTales-ML数据集，通过多语言生成分析叙述属性分布，揭示跨语言生成模式的差异，强调英语中心评估的局限性。
Comments Accepted to ACL 2026 Findings. Data are available at https://huggingface.co/spaces/Linyuana/BIASEDTALES-ML
经验驱动自演化代理中的安全风险
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Singapore Management University（新加坡管理大学） ； SERES
AI总结 研究经验积累与利用对自演化代理在网页和具身环境中的安全性能影响，揭示经验驱动导致的安全性下降及安全-效用权衡问题。
Comments Findings of ACL 2026
AutoPKG：一种用于动态电子商务产品-属性知识图谱构建的自动化框架
机构 * Lazada, Alibaba International Digital Commerce Group（Lazada，阿里巴巴国际数字 commerce 集团） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡）
AI总结 本文提出AutoPKG框架，通过多智能体大语言模型自动构建产品-属性知识图谱，解决电子商务产品属性提取中本体不一致、不完整和维护成本高的问题，实验证明其在提升GMV和推荐效果上的显著优势。
Comments Accepted as ACL 2026 Findings
MeasHalu：通过增强推理缓解大型语言模型中的科学测量幻觉
机构 * Shenzhen Key Laboratory for High Performance Data Mining（深圳高性能数据挖掘重点实验室） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院） ； Artificial Intelligence Research Institute, Shenzhen University of Advanced Technology（深圳先进技术大学人工智能研究院）
AI总结 本文提出MeasHalu框架，通过增强推理和针对性优化缓解LLM的科学测量幻觉问题，改进测量提取的准确性。
Comments To appear in ACL 2026
x1: 在多种语言和文化中学习适应性思考
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Peng Cheng Laboratory（鹏城实验室） ； The University of Hong Kong（香港大学） ； Huawei Technologies Co., Ltd（华为技术有限公司）
AI总结 x1通过在实例层面选择有利语言进行推理，提升多语言数学推理和文化相关任务的性能，挑战了单纯扩大模型规模的假设。
Comments Findings of ACL2026
ProtoCycle：基于反思的工具增强规划用于文本引导的蛋白质设计
机构 * Shanghai Jiao Tong University, School of Mathematical Sciences（上海交通大学数学科学学院） ； DP Technology（DP技术） ； University of Science and Technology of China（中国科学技术大学） ； AI for Science Institute（AI for Science研究院）
AI总结 本文提出ProtoCycle框架，通过LLM驱动的反馈循环和轻量级工具环境，提升文本引导蛋白质设计的序列质量。
Comments 25 pages, 11 figures. Accepted to Findings of ACL 2026
Step-GRPO：内化动态早期退出以实现高效推理
机构 * East China Normal University（东华大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Rakuten Singapore（乐天新加坡）
AI总结 Step-GRPO通过内化动态早期退出机制，优化推理过程，提升效率与准确性，在不同模型规模上实现更优的准确率与效率平衡。
Comments This paper has been accepted for publication at the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026)
DART：通过蒸馏-审计-修复训练缓解差异意识LLM中的危害漂移
机构 * Emory University（埃默里大学） ； MIT（麻省理工学院）
AI总结 本文提出DART方法，通过蒸馏、审计和修复训练缓解LLM中因准确性提升导致的危害漂移问题，提升模型在处理差异相关任务时的准确性和安全性。
Comments Accepted to Findings of ACL 2026
HeLa-Mem：基于Hebb学习和联想记忆的LLM代理
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Jilin University（吉林大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 HeLa-Mem通过生物启发的动态图模型，结合联想学习与语义存储，提升LLM在长时记忆中的表现，实验显示在四个问题类别上效果更优且使用更少上下文令牌。
Comments Accepted to ACL 2026
当谣言发声并对话：重新思考音频平台上的事实核查
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； University of Sheffield（谢菲尔德大学）
AI总结 本文探讨音频平台中谣言的结构性差异，指出传统事实核查方法难以应对 spoken 和 conversational 特性，呼吁重新设计验证流程。
Comments Accepted to ACL 2026 Main Conference
ICLAD：基于比较引导的上下文学习用于音频深度伪造检测
机构 * Purdue University（普渡大学） ； Reality Defender Inc.（Reality Defender公司）
AI总结 ICLAD提出一种基于比较引导的上下文学习方法，利用音频语言模型实现无训练泛化，提升音频深度伪造检测的宏F1指标，具有部署潜力。
Comments To appear at ACL Findings 2026
无劣上下文感知解码：防止上下文条件生成中的中性退化
机构 * Department of Computer Science, Portland State University, USA（波特兰州立大学计算机科学系）
AI总结 本文提出NWCAD解码器，通过双流架构和双阶段门控机制，防止中性退化并提升上下文利用的可靠性。
Comments Findings at ACL 2026
CBRS：具有双语数据集和双层过滤的认知献血请求系统，用于多平台社交媒体流
机构 * Bangladesh University of Engineering and Technology（孟加拉工程与技术大学）
AI总结 CBRS通过双语数据集和双层过滤机制，高效提取社交媒体流中的献血请求，实现99%的准确率，优于传统方法，且在解析任务中达到92%零样本准确率，显著降低输入token使用量。
Comments Accepted to Findings of the ACL 2026
通过对比式LLM微调对齐反馈通道和对话上下文表示
机构 * Department for Speech, Music and Hearing（语音、音乐与听觉系）
AI总结 本文提出双阶段框架，通过对话转录微调大语言模型获取上下文表示，并学习对话上下文和反馈通道表示的联合嵌入空间，实验表明学习的投影显著提升了上下文-反馈通道检索性能。
Comments Association for Computational Linguistics (ACL), 2026
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