ACL

Not all ANIMALs are equal: metaphorical framing through source domains and semantic frames

并非所有动物都平等：通过源领域和语义框架进行隐喻性框架构建

Yulia Otmakhova, Matteo Guida, Lea Frermann

机构 * School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院） 纠错

AI总结 本文通过源领域和语义框架分析隐喻对复杂议题理解的影响，提出计算框架发现隐喻并分析不同政治立场下的隐喻差异。

Comments Accepted to ACL 2026 Findings

Self-Awareness before Action: Mitigating Logical Inertia via Proactive Cognitive Awareness

行动前的自我意识：通过主动认知意识缓解逻辑惯性

Fulong Fan, Peilin Liu, Fengzhe Liu, Shuyan Yang, Gang Yan

机构 * School of Software, Jilin University（吉林大学软件学院） ； School of Computer Science, Jilin University（吉林大学计算机科学学院） 纠错

AI总结 本文提出SABA框架，通过在最终决策前引入对缺失前提的自我意识，解决大语言模型在非交互谜题中因早期假设传播导致的结论不稳定问题，实现了在多个基准测试中的最佳性能。

Comments Accepted to ACL 2026. 12 pages, 3 figures

Mitigating Hallucinations in Large Vision-Language Models without Performance Degradation

在不降低性能的情况下缓解大型视觉-语言模型的幻觉

Xingyu Zhu, Junfeng Fang, Shuo Wang, Beier Zhu, Zhicai Wang, Yonghui Yang, Xiangnan He

机构 * MoE Key Lab of BIPC（BIPC摩尔实验室） ； 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） 纠错

AI总结 本文提出MPD框架，通过语义感知组件解耦和可解释参数更新，有效减少幻觉并保持生成能力，实验显示在LLaVA-Bench和MME上减少23.4%幻觉同时保持97.4%的生成能力。

Comments ACL 2026 (Oral)

AROMA: Augmented Reasoning Over a Multimodal Architecture for Virtual Cell Genetic Perturbation Modeling

AROMA：增强的多模态架构下虚拟细胞基因扰动建模推理

Zhenyu Wang, Geyan Ye, Wei Liu, Man Tat Alexander Ng

机构 * AI for Life Sciences Lab, Tencent（腾讯AI生命科学实验室） ； Shenzhen International Graduate School, Tsinghua University（深圳国际研究生院，清华大学） 纠错

AI总结 AROMA通过整合文本证据、图拓扑信息和蛋白质序列特征，提升虚拟细胞基因扰动预测的准确性和可解释性，构建了包含498k样本的 PerturbReason 数据集，实验表明其在多个细胞系中表现优异。

Comments Accepted to ACL 2026 as a Findings paper. Zhenyu Wang and Geyan Ye are equal contributors; Geyan Ye is the corresponding author and project lead

Memory-Augmented LLM-based Multi-Agent System for Automated Feature Generation on Tabular Data

基于记忆增强的LLM多智能体系统用于表格数据自动特征生成

Fengxian Dong, Zhi Zheng, Xiao Han, Wei Chen, Jingqing Ruan, Tong Xu, Yong Chen, Enhong Chen

机构 * University of Science and Technology of China（中国科学技术大学） ； Zhejiang University of Technology（浙江工业大学） ； Meituan（美团） 纠错

AI总结 本文提出MALMAS系统，通过多智能体与记忆模块提升表格数据自动特征生成的效率与质量，实验验证其有效性。

Comments 16 pages (including appendix), 4 main figures, 15 tables. Accepted to ACL 2026

RADS: Reinforcement Learning-Based Sample Selection Improves Transfer Learning in Low-resource and Imbalanced Clinical Settings

RADS: 基于强化学习的样本选择提升低资源和不平衡临床场景下的迁移学习

Wei Han, David Martinez, Anna Khanina, Lawrence Cavedon, Karin Verspoor

机构 * School of Computing Technologies, RMIT University（皇家墨尔本理工大学计算技术学院） ； School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息学院） ； National Centre for Infections in Cancer, Melbourne（癌症感染国家研究中心，墨尔本） ； Department of Infectious Disease, Peter MacCallum Cancer Centre（彼得·麦克卡伦癌症中心感染病科） ； Sir Peter MacCallum Department of Oncology, The University of Melbourne（彼得·麦克卡伦肿瘤学系，墨尔本大学） 纠错

AI总结 本文提出RADS方法，利用强化学习选择最有信息量的样本，提升迁移学习在低资源和不平衡临床数据集中的性能。

Comments Accepted at ACL 2026 Findings

The GaoYao Benchmark: A Comprehensive Framework for Evaluating Multilingual and Multicultural Abilities of Large Language Models

高 Yao 基准：评估大型语言模型多语言和多文化能力的综合框架

Yilun Liu, Chunguang Zhao, Mengyao Piao, Lingqi Miao, Shimin Tao, Minggui He, Chenxin Liu, Li Zhang, Hongxia Ma, Jiaxin Guo, Chen Liu, Liqun Deng, Jiansheng Wei, Xiaojun Meng, Fanyi Du, Daimeng Wei, Yanghua Xiao

机构 * Huawei, China（华为，中国） ； Fudan University, China（复旦大学，中国） 纠错

AI总结 本文提出GaoYao基准，通过182300个样本、26种语言和51个地区，评估大型语言模型的多语言和多文化能力，揭示地理性能差异和任务间差距。

Comments Accepted by ACL 2026 main

Text-to-Distribution Prediction with Quantile Tokens and Neighbor Context

基于分位数标记和邻近上下文的文本到分布预测

Yilun Zhu, Yuan Zhuang, Nikhita Vedula, Dushyanta Dhyani, Shaoyuan Xu, Moyan Li, Mohsen Bayati, Bryan Wang, Shervin Malmasi

机构 * Amazon.com, Inc.（亚马逊公司） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出分位数标记回归，通过插入专用分位数标记并结合邻近实例，提升分布预测精度，实验显示在多个数据集上效果显著，MAPE更低且预测区间更窄。

Comments Accepted to ACL 2026 main conference

All Languages Matter: Understanding and Mitigating Language Bias in Multilingual RAG

所有语言都重要：理解并缓解多语言RAG中的语言偏差

Dan Wang, Guozhao Mo, Yafei Shi, Cheng Zhang, Bo Zheng, Boxi Cao, Xuanang Chen, Yaojie Lu, Hongyu Lin, Ben He, Xianpei Han, Le Sun

机构 * Chinese Information Processing Laboratory, Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所信息处理实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； MYbank, AntGroup（蚂蚁集团MYbank） 纠错

AI总结 本文研究多语言RAG中的语言偏差问题，提出LAURA方法，通过多语言证据排名与生成效用对齐，有效缓解语言偏差并提升性能。

Comments ACL 2026 main conference

Meta-Tool: Efficient Few-Shot Tool Adaptation for Small Language Models

元工具：用于小语言模型的高效少样本工具适应

Sachin Kumar

机构 * LexisNexis, USA（LexisNexis美国公司） 纠错

AI总结 本文通过Meta-Tool研究小语言模型是否能在不复杂适应机制下实现强工具使用性能，发现超网络适应无显著提升，提示应关注提示工程与示例整理。

Comments Accepted to Findings of ACL 2026

AFMRL: Attribute-Enhanced Fine-Grained Multi-Modal Representation Learning in E-commerce

AFMRL: 基于属性增强的电商细粒度多模态表示学习

Biao Zhang, Lixin Chen, Bin Zhang, Zongwei Wang, Tong Liu, Bo Zheng

机构 * Taobao & Tmall Group of Alibaba（阿里巴巴淘宝与天猫集团） 纠错

AI总结 本文提出AFMRL，通过属性生成任务提升电商细粒度多模态表示学习，结合属性引导对比学习和检索感知属性强化，实现更精准的相似商品检索。

Comments Accepted by ACL 2026

Less Languages, Less Tokens: An Efficient Unified Logic Cross-lingual Chain-of-Thought Reasoning Framework

少语言，少令牌：一种高效的统一逻辑跨语言推理框架

Chenyuan Zhang, Qiguang Chen, Xie Chen, Zhuotao Tian, Bowen Xing, Meishan Zhang, Libo Qin, Baotian Hu, Min Zhang

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Central South University（中南大学） ； Text Computing and Cognitive Intelligence Ministry of Education Engineering Research Center, Guizhou University（贵州省教育厅Text Computing and Cognitive Intelligence工程研究中心，贵州大学） ； University of Science and Technology Beijing（北京科技大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 本文提出UL-XCoT框架，通过减少语言和令牌数量提升跨语言推理效率，实验证明在多语言任务中准确率高且令牌成本降低超50%。

Comments Accepted by ACL2026 Main

TriEx: A Game-based Tri-View Framework for Explaining Internal Reasoning in Multi-Agent LLMs

TriEx：一种基于游戏的三视角框架，用于解释多智能体大语言模型中的内部推理

Ziyi Wang, Chen Zhang, Wenjun Peng, Qi Wu, Xinyu Wang

机构 * Adelaide University（阿德莱德大学） 纠错

AI总结 TriEx通过三视角框架提升多智能体大语言模型的可解释性，通过结构化自我推理、对手信念状态和 oracle 审计分析，揭示模型在信念动态和评估可靠性上的系统性不匹配。

Comments ACL2026 Main

From Recall to Forgetting: Benchmarking Long-Term Memory for Personalized Agents

从回忆到遗忘：个性化代理长期记忆的基准测试

Md Nayem Uddin, Kumar Shubham, Eduardo Blanco, Chitta Baral, Gengyu Wang

机构 * Arizona State University（亚利桑那州立大学） ； Genies ； University of Arizona（亚利桑那大学） 纠错

AI总结 本文提出Memora基准测试，评估个性化代理在长期对话中的记忆、推理和推荐能力，引入FAMA指标以衡量对过时记忆的依赖，发现LLM和记忆代理在处理长期记忆时存在显著不足。

Comments Accepted to ACL 2026 Findings

Indic-CodecFake meets SATYAM: Towards Detecting Neural Audio Codec Synthesized Speech Deepfakes in Indic Languages

Indic-CodecFake meets SATYAM：迈向检测印度语言神经音频编解码器合成语音深度伪造

Girish, Mohd Mujtaba Akhtar, Orchid Chetia Phukan, Arun Balaji Buduru

AI总结 本文提出Indic-CodecFake数据集，用于检测印度语言中神经音频编解码器合成语音深度伪造，发现现有检测器在印度语音上表现不佳，并提出SATYAM模型以提升性能。

Comments Accepted to ACL 2026

Commonsense Knowledge with Negation: A Resource to Enhance Negation Understanding

常识知识与否定：增强否定理解的资源

Zijie Wang, MohammadHossein Rezaei, Farzana Rashid, Eduardo Blanco

机构 * University of Arizona（亚利桑那大学） ； University of North Carolina Asheville（北卡罗来纳州阿什维尔大学） 纠错

AI总结 本文提出通过自动扩展常识知识库以包含否定，生成包含200万条if-then关系的新型语料库，并展示预训练LLM可提升否定理解能力。

Comments Accepted at Findings of ACL 2026

From Signal Degradation to Computation Collapse: Uncovering the Two Failure Modes of LLM Quantization

从信号退化到计算崩溃：揭示大语言模型量化中的两种失败模式

Chenxi Zhou, Pengfei Cao, Jiang Li, Bohan Yu, Jinyu Ye, Jun Zhao, Kang Liu

机构 * School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉学科学院） ； 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认知与决策智能复杂系统重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； College of Computer Science, Inner Mongolia University（内蒙古大学计算机学院） 纠错

AI总结 研究揭示大语言模型量化中两种不同失败模式：信号退化和计算崩溃，并提出针对性修复方法，表明结构重建比单纯补偿更有效。

Comments Accepted to Findings of ACL 2026

SolidCoder: Bridging the Mental-Reality Gap in LLM Code Generation through Concrete Execution

SolidCoder：通过具体执行弥合LLM代码生成中的心理现实差距

Woojin Lee, Jin-Xia Huang

机构 * Electronics and Telecommunications Research Institute, Republic of Korea（韩国电信研究所） 纠错

AI总结 SolidCoder通过强制边缘情况意识和沙盒执行解决心理现实差距，提升代码生成性能，实现HumanEval、CodeContests和APPS的高准确率。

Comments 23 pages, 2 figures, Accepted at Findings of ACL 2026

DASH-KV: Accelerating Long-Context LLM Inference via Asymmetric KV Cache Hashing

DASH-KV：通过非对称KV缓存哈希加速长上下文LLM推理

Jinyu Guo, Zhihan Zhang, Yutong Li, Jiehui Xie, Md. Tamim Iqbal, Dongshen Han, Lik-Hang Lee, Sung-Ho Bae, Jie Zou, Yang Yang, Chaoning Zhang

机构 * School of Information and Software Engineering, University of Electronic Science and Technology of China（电子科技大学信息与软件工程学院） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； Bangladesh University of Engineering and Technology（孟加拉工程与技术大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Kyung Hee University, School of Computing（庆熙大学计算机学院） 纠错

AI总结 DASH-KV通过非对称深度哈希将注意力机制近似为最近邻搜索，降低计算复杂度至线性，提升长上下文LLM推理效率并保持性能。

Comments Accepted by ACL 2026 (Findings)

Talking to a Know-It-All GPT or a Second-Guesser Claude? How Repair reveals unreliable Multi-Turn Behavior in LLMs

与一个无所不知的GPT或一个犹豫不决的Claude交谈：如何通过修复揭示LLMs在多轮对话中的不可靠行为

Clara Lachenmaier, Hannah Bultmann, Sina Zarrieß

机构 * Computational Linguistics, Department of Linguistics（计算语言学系，语言学系） 纠错

AI总结 研究探讨LLMs在解决可解和不可解数学问题的多轮对话中进行修复的交互过程，发现不同模型对修复的反应差异显著，行为随对话轮次增加而更不可预测。

Comments Preprint accepted at ACL Main Conference 2026

AnchorSeg: Language Grounded Query Banks for Reasoning Segmentation

AnchorSeg: 语言引导的查询库用于推理分割

Rui Qian, Chuanhang Deng, Qiang Huang, Jian Xiong, Mingxuan Li, Yingbo Zhou, Wei Zhai, Jintao Chen, Dejing Dou

机构 * College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院） 纠错

AI总结 AnchorSeg通过结构化语言引导查询库将推理分割建模为图像标记上的条件生成过程，通过显式分离空间定位与语义推理，实现67.7%的gIoU和68.1%的cIoU的SOTA结果。

Comments This work has been accepted to ACL 2026, please refer to https://github.com/rui-qian/AnchorSeg

Rhetorical Questions in LLM Representations: A Linear Probing Study

语言模型表示中的修辞问题：一项线性探测研究

Louie Hong Yao, Vishesh Anand, Yuan Zhuang, Tianyu Jiang

机构 * Independent Researcher（独立研究者） ； University of Cincinnati（辛辛那提大学） ； Amazon（亚马逊） 纠错

AI总结 本文通过线性探测研究语言模型对修辞问题的表示，发现修辞信号在模型早期层中出现，并主要由最后一层表示捕捉，且在不同数据集间可转移，但不同数据集训练的探测器在目标数据集上的排名差异较大，反映出修辞问题的多维度编码特性。

Comments 18 pages, 15 figures, accepted to ACL 2026

TaxPraBen: A Scalable Benchmark for Structured Evaluation of LLMs in Chinese Real-World Tax Practice

TaxPraBen：一种可扩展的基准，用于评估LLM在中文实际税收实践中的结构化表现

Gang Hu, Yating Chen, Haiyan Ding, Wang Gao, Jiajia Huang, Min Peng, Qianqian Xie, Kun Yue

机构 * Yunnan University（云南大学） ； Wuhan University（武汉大学） ； Jianghan University（江汉大学） ； Nanjing Audit University（南京审计大学） 纠错

AI总结 本文提出TaxPraBen，首个专注于中文税收实践的基准，结合10项传统任务和3项创新场景，评估19种LLM在税收实践中的表现，揭示封闭源大参数LLM和中文LLM的优势。

Journal ref ACL 2026 Main Conference

Lightweight LLM Agent Memory with Small Language Models

轻量级大语言模型代理记忆系统

Jiaquan Zhang, Chaoning Zhang, Shuxu Chen, Zhenzhen Huang, Pengcheng Zheng, Zhicheng Wang, Ping Guo, Fan Mo, Sung-Ho Bae, Jie Zou, Jiwei Wei, Yang Yang

机构 * University of Electronic Science and Technology of China（电子科学与技术大学） ； Kyung Hee University（庆熙大学） ； City University of Hong Kong（香港城市大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出LightMem，利用小语言模型实现轻量级代理记忆，通过模块化记忆检索、写入和长期整合，提升效率与准确性，实验显示在LoCoMo数据集上F1值提升2.5，并具有低延迟特点。

Comments Accepted by ACL 2026 (main)

Cross-Modal Taxonomic Generalization in (Vision-) Language Models

跨模态分类泛化在（视觉-）语言模型中

Tianyang Xu, Marcelo Sandoval-Castaneda, Karen Livescu, Greg Shakhnarovich, Kanishka Misra

机构 * Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 研究探讨了语言模型在无显性证据情况下通过跨模态泛化恢复超范畴知识的能力，发现语言模型能基于语言线索实现泛化。

Comments ACL 2026 (main conference)

DRIV-EX: Counterfactual Explanations for Driving LLMs

DRIV-EX：用于驾驶LLM的反事实解释

Amaia Cardiel, Eloi Zablocki, Elias Ramzi, Eric Gaussier

机构 * Aptikal, Université Grenoble Alpes（Aptikal，格勒诺布尔大学） 纠错

AI总结 本文提出DRIV-EX方法，通过反事实解释研究驾驶LLM的决策过程，利用梯度优化生成语义变化的场景描述，提升解释的可理解性和鲁棒性。

Comments Accepted at ACL Findings 2026

MemoPhishAgent: Memory-Augmented Multi-Modal LLM Agent for Phishing URL Detection

MemoPhishAgent: 基于记忆的多模态大语言模型代理用于钓鱼URL检测

Xuan Chen, Hao Liu, Tao Yuan, Mehran Kafai, Piotr Habas, Xiangyu Zhang

AI总结 本文提出MemoPhishAgent，通过整合多模态推理与记忆机制，提升钓鱼URL检测性能，实验显示其在召回率上优于现有方法，并在真实场景中实现高召回率。

Comments ACL 2026 Industry Track Camera Ready

CAST: Achieving Stable LLM-based Text Analysis for Data Analytics

CAST：实现稳定的大语言模型文本分析用于数据分析

Jinxiang Xie, Zihao Li, Wei He, Rui Ding, Shi Han, Dongmei Zhang

机构 * Nanjing University（南京大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Microsoft Research（微软研究院） 纠错

AI总结 CAST通过算法提示和先思考后发言提升大语言模型在表格数据分析中的输出稳定性，实验表明其在多个基准上表现最佳，稳定性提升达16.2%。

Comments ACL 2026 Findings

SciCoQA: Quality Assurance for Scientific Paper--Code Alignment

SciCoQA：科学论文与代码对齐的质量保障

Tim Baumgärtner, Iryna Gurevych

机构 * Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science, TU Darmstadt and National Research Center for Applied Cybersecurity ATHENE（普遍知识处理实验室（UKP实验室）、计算机科学系、德累斯顿技术大学和应用网络安全国家研究中心ATHENE） 纠错

AI总结 本文提出SciCoQA数据集，用于评估LLM在科学论文与代码对齐任务中的表现，揭示自动化科学质量保障的关键差距。

Comments Accepted at ACL 2026

Optimizing User Profiles via Contextual Bandits for Retrieval-Augmented LLM Personalization

通过上下文老虎机优化用户资料以实现检索增强的LLM个性化

Linfeng Du, Ye Yuan, Zichen Zhao, Fuyuan Lyu, Emiliano Penaloza, Xiuying Chen, Zipeng Sun, Jikun Kang, Laurent Charlin, Xue Liu, Haolun Wu

机构 * McGill University（麦吉尔大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Université de Montréal（蒙特利尔大学） ； Salesforce（Salesforce公司） ； HEC Montréal（蒙特利尔HEC商学院） ； Mila - Quebec AI Institute（魁北克人工智能研究所） 纠错

AI总结 本文提出PURPLE框架，通过上下文老虎机优化用户资料，利用Plackett-Luce模型捕捉复杂依赖，提升LLM个性化效果。

Comments Accepted to ACL 2026