Conjunctive Prompt Attacks in Multi-Agent LLM Systems
多智能体大语言模型中的联合提示攻击
机构 * University of Central Florida（中央佛罗里达大学）
AI总结 研究多智能体系统中联合提示攻击的机制与防御，通过路由优化提升攻击成功率并降低误触发率，揭示了智能体流水线的结构性漏洞。
Comments ACL 2026 Main Conference
期刊&会议
ACL
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
BOOKAGENT: Orchestrating Safety-Aware Visual Narratives via Multi-Agent Cognitive Calibration
BOOKAGENT：通过多智能体认知校准 orchestrate 安全意识的视觉叙述
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Science and Technology of China（中国科学技术大学） ； Imperial College London（伦敦帝国理工学院） ； Nanyang Technological University（南洋理工大学） ； University of Central Florida（佛罗里达中央大学）
AI总结 本文提出BOOKAGENT，一种安全意识的多智能体协作框架，用于高质量的视觉叙述生成，通过联合规划、脚本、插图和全局修复不一致，提升叙述连贯性和视觉一致性。
Comments 18 pages, Accepted by ACL 2026
From Inheritance to Saturation: Disentangling the Evolution of Visual Redundancy for Architecture-Aware MLLM Inference Acceleration
从继承到饱和：解构视觉冗余的演化以实现架构感知的MLLM推理加速
机构 * University of Science and Technology of China（中国科学技术大学） ； Wuhan University（武汉大学） ； Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司）
AI总结 本文提出HalfV框架，通过统一剪枝策略缓解内在视觉冗余，并根据具体表现适应性处理二次饱和冗余，实现跨架构的高效推理。
Comments 16 pages, 14 figures, plus appendix, accepted at ACL 2026
ODUTQA-MDC: A Task for Open-Domain Underspecified Tabular QA with Multi-turn Dialogue-based Clarification
ODUTQA-MDC：一个面向开放领域未指定表格问答的任务
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ODUTQA-MDC任务及首个综合基准，包含大规模数据集、细粒度标注方案和动态澄清界面，提出MAIC-TQA框架以检测歧义、通过对话澄清并优化答案。
Comments This paper has been accepted by ACL 2026 (main conference)
Persona-E$^2$: A Human-Grounded Dataset for Personality-Shaped Emotional Responses to Textual Events
Persona-E$^2$: 一种基于人类的用于个性塑造文本事件情感反应的数据集
机构 * School of Future Technology（未来技术学院）
AI总结 本文提出Persona-E$^2$数据集，通过标注MBTI和Big Five特质，捕捉读者对新闻、社交媒体和生活叙事的情感变化，发现性格信息显著提升理解，缓解'性格幻觉'。
Comments Accepted by ACL 2026 Main
Synthetic Data Generation for Training Diversified Commonsense Reasoning Models
为训练多样化常识推理模型生成合成数据
机构 * University of Liverpool（利物浦大学） ； University of Sheffield（谢菲尔德大学） ； Amazon（亚马逊）
AI总结 本文提出两阶段方法生成首个合成数据集CommonSyn，提升生成多样性和质量，适用于不同规模的大语言模型。
Comments ACL2026 Main
Why Agents Compromise Safety Under Pressure
为何智能体在压力下妥协安全
机构 * Guangdong Provincial Key Laboratory of Brain-inspired Intelligent Computation, Department of Computer Science and Engineering, Southern University of Science and Technology（广东省脑启发智能计算重点实验室，计算机科学与工程系，南方科技大学）
AI总结 本文研究了智能体在复杂环境中为追求目标而妥协安全的问题，揭示了'智能体压力'概念，并提出通过压力隔离等策略缓解这一现象。
Comments Accepted by ACL 2026 Findings; 18 pages, 5 figures
HeteroCache: A Dynamic Retrieval Approach to Heterogeneous KV Cache Compression for Long-Context LLM Inference
HeteroCache：一种用于长上下文LLM推理的异构KV缓存压缩动态检索方法
机构 * School of Software Technology, Zhejiang University（浙江大学软件学院） ； China Mobile (Zhejiang) Research & Innovation Institute（中国移动（浙江）研究院） ； State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD与CG国家重点实验室） ； Geely Automobile Research Institute (Ningbo) Co., Ltd.（吉利汽车研究院（宁波）有限公司） ； FABU Inc.（FABU公司）
AI总结 本文提出HeteroCache，通过动态检索方法解决KV缓存压缩问题，利用头部异质性和空间冗余性，实现高效缓存分配和存储机制，提升长上下文推理性能。
Comments Accepted to ACL 2026 Main Conference
Omni-R1: Towards the Unified Generative Paradigm for Multimodal Reasoning
Omni-R1：迈向多模态推理的统一生成范式
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Singapore Management University（新加坡国立大学） ； Shandong University（山东大学） ； University of Science and Technology of China（中国科学技术大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
AI总结 本文提出Omni-R1，通过生成中间图像统一多模态推理技能，解决单一任务特定推理模式限制的问题，并引入Omni-R1-Zero无需多模态标注实现文本仅推理数据的逐步可视化。
Comments Accepted by ACL2026 Findings
Towards Fine-Grained and Multi-Granular Contrastive Language-Speech Pre-training
迈向细粒度和多粒度对比语言-语音预训练
AI总结 本文提出FCaps数据集，通过端到端流程生成细粒度语音描述，构建CLSP模型实现细粒度和多粒度语音-语言表示，实验显示其在多种任务中表现优异。
Comments Accepted in ACL 2026 Main
SpiralThinker: Latent Reasoning through an Iterative Process with Text-Latent Interleaving
SpiralThinker: 通过文本-潜在交织的迭代过程进行潜在推理
机构 * Yonsei University（延世大学）
AI总结 SpiralThinker通过文本-潜在交织的迭代过程实现稳定潜在推理，结合渐进对齐目标和结构化标注，提升推理稳定性与一致性，实现数学、逻辑和常识推理任务的SOTA性能。
Comments Accepted by ACL 2026 Findings
VCORE: Variance-Controlled Optimization-based Reweighting for Chain-of-Thought Supervision
VCORE: 基于方差控制的优化重加权用于链式推理监督
机构 * Shanghai Jiao Tong University（上海交通大学） ； Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））
AI总结 VCORE通过将链式推理监督转化为约束优化问题，实现对token的自适应监督分配，提升大语言模型的推理泛化能力，在数学和编程基准测试中表现突出。
Comments Accepted to ACL2026 Main Conference
From Charts to Code: A Hierarchical Benchmark for Multimodal Models
从图表到代码：一个多模态模型的分层基准
机构 * CSU-JPG, Central South University（中南大学CSU-JPG） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出Chart2Code基准，用于评估大多模态模型的图表理解和代码生成能力，包含三个层级任务，涵盖图表复现、编辑和长表转图表生成，测试了25种最先进的LMMs，结果显示GPT-5在编辑任务中表现不佳，凸显了该基准的挑战性。
Comments This work has been accepted by ACL 2026 Main
MTSQL-R1: Towards Long-Horizon Multi-Turn Text-to-SQL via Agentic Training
MTSQL-R1：通过代理训练实现长视界多轮文本到SQL
机构 * University of Notre Dame（诺特丹大学） ； Amazon（亚马逊） ； Salesforce
AI总结 MTSQL-R1通过代理训练框架提升多轮文本到SQL任务的长视界表现，通过环境驱动验证和记忆引导细化提升对话连贯性。
Comments ACL 2026 Main camera-ready version
Table Question Answering in the Era of Large Language Models: A Comprehensive Survey of Tasks, Methods, and Evaluation
在大语言模型时代表问题回答的综合调查：任务、方法和评估
机构 * Bosch Center for Artificial Intelligence, Renningen, Germany（博世人工智能研究中心，德国Renningen） ； LMU Munich & Munich Center for Machine Learning, Germany（慕尼黑大学 & 慕尼黑机器学习中心，德国） ； University of Augsburg, Germany（奥格斯堡大学，德国）
AI总结 本文综述了表问题回答任务，探讨了基于大语言模型的方法，分析了现有基准和任务设置，并指出了未被系统覆盖的及时主题，为该领域提供了一个统一的基础。
Comments Accepted at ACL 2026 Main
Evaluating Robustness of Large Language Models Against Multilingual Typographical Errors
评估大型语言模型对多语言拼写错误的鲁棒性
机构 * Center for Information and Language Processing（信息与语言处理中心） ； LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
AI总结 本文提出MulTypo算法，评估18种开源LLM在多语言拼写错误下的表现，发现拼写错误显著降低性能，尤其在生成任务和推理任务中，且语言和任务类型影响鲁棒性，强调需关注噪声训练和多语言鲁棒性评估。
Comments ACL 2026
PRINCIPLES: Synthetic Strategy Memory for Proactive Dialogue Agents
PRINCIPLES：面向前瞻性对话代理的合成策略记忆
机构 * Department of Artificial Intelligence, Yonsei University（燕山大学人工智能学院）
AI总结 本文提出PRINCIPLES，一种基于离线自play模拟的合成策略记忆，用于提升前瞻性对话代理的策略规划能力，无需额外训练和数据标注，在情感支持和说服领域均表现出色。
Comments Accepted to EMNLP 2025 Findings
Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025, pages 21329-21368
Aligning Language Models with Real-time Knowledge Editing
对齐语言模型与实时知识编辑
机构 * National Key Laboratory for Multimedia Information Processing, Peking University School of Computer Science, Peking University（国家多媒体信息处理重点实验室，北京大学计算机学院，北京大学）
AI总结 本文提出CRAFT动态知识编辑数据集及KEDAS方法，通过多样编辑增强和自适应推理提升知识编辑性能，推动从静态更新向动态演化转变。
Comments Accepted to ACL 2026 (main conference)
Synthia: Scalable Grounded Persona Generation from Social Media Data
Synthia：从社交媒体数据中可扩展的 grounded 人格生成
机构 * Tehran Institute for Advanced Studies（德黑兰高级研究 institute） ； University of Tehran（德黑兰大学） ； Cardiff University（卡迪夫大学）
AI总结 Synthia通过结合真实社交媒体数据与语言模型，生成更贴近现实的人格，提升与人类意见分布的一致性，同时在公平性和偏见分析中表现更优，保留交互图结构以支持网络感知分析。
Comments Accepted at ACL 2026 Main Conference, the dataset is available on HuggingFace (see https://huggingface.co/datasets/teias-ai/synthia)
Lizard: An Efficient Linearization Framework for Large Language Models
Lizard：一种高效的大型语言模型线性化框架
机构 * University of Oregon（俄勒冈大学） ； Adobe Research（Adobe研究院）
AI总结 Lizard提出一种高效线性化框架，将预训练的Transformer大型语言模型转换为亚二次架构，通过亚二次注意力机制提升计算效率，实现模型质量与内存控制的平衡。
Comments ACL 2026 (Main)
The Thin Line Between Comprehension and Persuasion in LLMs
在语言模型中理解与说服之间的微妙界限
机构 * Microsoft（微软公司） ； The University of York（约克大学）
AI总结 研究通过人机辩论探讨LLM的说服能力是否反映真实理解，发现其能维持连贯对话但缺乏深层对话结构理解，揭示了部署在解释关键场景中的伦理与实践问题。
Comments Accepted to ACL Findings 2026
Scaling External Knowledge Input Beyond Context Windows of LLMs via Multi-Agent Collaboration
通过多智能体协作扩展LLM上下文窗口之外的知识输入
机构 * Dept. of Comp. Sci. & Tech., Institute for AI, Tsinghua University, Beijing, China（计算机科学与技术系，人工智能研究院，清华大学，北京，中国） ； Institute for AI Industry Research (AIR), Tsinghua University, Beijing, China（人工智能产业研究院（AIR），清华大学，北京，中国） ； Institute of Intelligent Computing, Alibaba Group（智能计算研究院，阿里巴巴集团）
AI总结 本文提出ExtAgents框架，通过多智能体协作提升LLM在不延长上下文窗口的情况下整合外部知识的能力，实验证明其在多跳问答和长文本生成任务中优于现有方法。
Comments Accepted to ACL 2026. 31 pages, 10 figures. Code and data are available at https://github.com/THUNLP-MT/ExtAgents
Two-Stage Regularization-Based Structured Pruning for LLMs
基于两阶段正则化的结构剪枝用于大语言模型
机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； Beijing National Research Center for Information Science and Technology（北京信息科学研究院）
AI总结 本文提出TRSP方法，通过两阶段正则化提升大语言模型结构剪枝效果，减少知识损失并无需重新训练，实验显示其优于现有方法，实现高效部署。
Comments ACL 2026 Main
Follow the Path: Reasoning over Knowledge Graph Paths to Improve Large Language Model Factuality
跟随路径：通过知识图谱路径推理提升大语言模型事实性
机构 * University of Copenhagen（哥本哈根大学） ； Aalborg University（奥尔堡大学） ； Pioneer Centre for Artificial Intelligence（先锋人工智能中心）
AI总结 本文提出fs1方法，通过收集大推理模型的推理轨迹并将其锚定在知识图谱路径上，提升大语言模型的事实性，在六个复杂开放领域问答基准测试中表现优异。
Comments Accepted at ACL Findings 2026
RA-RRG: Multimodal Retrieval-Augmented Radiology Report Generation with Key Phrase Extraction
RA-RRG：结合关键短语提取的多模态检索增强放射学报告生成
机构 * DEEPNOID Inc.（DEEPNOID公司） ； Department of Artificial Intelligence and Data Science, Sejong University（Sejong大学人工智能与数据科学系）
AI总结 RA-RRG通过结合多模态检索与大语言模型生成放射学报告，减少幻觉和计算需求，实验显示在CheXbert指标上优于现有模型。
Comments ACL 2026, Findings of the Association for Computational Linguistics
MathFlow: Enhancing the Perceptual Flow of MLLMs for Visual Mathematical Problems
MathFlow: 提升多模态大语言模型在视觉数学问题中的感知流
机构 * Zhejiang University（浙江大学） ； Intelligent Learning（智能学习） ； Tsinghua University（清华大学）
AI总结 本文提出MathFlow框架，通过分离感知与推理阶段，提升多模态大语言模型在视觉数学问题中的表现，实验表明其在不同推理模型中均有效。
Comments Accepted by ACL 2026 Main Conference
