期刊&会议
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
与幻灯片对话：通过语言驱动的结构化数据操作实现高效幻灯片编辑
机构 * KAIST AI（韩国科学技术院人工智能研究所） ； Chung-Ang University（Chung-Ang 大学）
AI总结 本文提出Talk-to-Your-Slides，通过语言驱动的结构化数据操作实现高效幻灯片编辑，相较于基于图像的GUI方法，其在文本处理和格式任务中更快、更准确且成本更低。
Comments 30 pages, Accepted at ACL2026
AVA：面向星际2的注意力视觉语言代理
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
AI总结 AVA提出一个支持多智能体强化学习和视觉语言模型的星际2基准，通过RGB图像、自然语言观察和结构化状态信息，比较训练和零样本方法在21种场景中的表现，揭示训练效率、性能上限、可解释性和部署成本的权衡。
Comments Accepted by ACL 2026
超越单极：在基准评估中揭示多代的价值
机构 * University of California Irvine（加州大学尔湾分校） ； Meta Central Applied Science（Meta中央应用科学）
AI总结 本文提出一种分层统计模型，通过整合基准特征和LLM随机性，提升基准评估准确性并减少方差，同时定义提示级难度分数并可视化提示难度与语义。
Comments 11 pages, 5 figures, accepted at the Findings of ACL 2026
从传统标注器到LLMs：一种中世纪罗曼语词性标注的比较研究
机构 * Bavarian Academy of Sciences (BAdW)（巴伐利亚科学院） ； Department of Statistics, LMU Munich, Germany（慕尼黑大学统计系） ； Munich Center for Machine Learning (MCML), LMU Munich, Germany（慕尼黑机器学习中心）
AI总结 本文比较了传统规则和统计标注器与现代开源LLMs在中世纪罗曼语词性标注中的表现，发现LLMs在零样本、少样本、单语微调和跨语言迁移学习中均表现更优，尤其在资源匮乏语言中跨语言迁移学习效果显著。
Comments Accepted at NLP4DH @ ACL 2026
Fin-Bias：金融领域下LLM决策制定的综合评估：在存在人类偏见的背景下
机构 * Rutgers University（罗格斯大学） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系）
AI总结 本文提出Fin-Bias基准，评估LLM在金融不确定性和潜在人类偏见意见下的投资决策能力，通过分析8868份分析师报告揭示LLM易受显性偏见影响，并开发方法检测人类意见以促进LLM独立思考。
Comments ACL 2026 Findings
Journal ref ACL 2026 Findings
字符级变换器用于塔吉克-波斯语转写及平行词典语料库
机构 * Institute of Computational Mathematics and Information Technologies（计算数学与信息科技研究所）
AI总结 本文提出一个字符级序列到序列Transformer模型，利用52152个塔吉克-波斯语词和短语的平行语料库，通过CER和精确匹配准确率验证，优于基于词典的规则和递归神经网络基线。
Comments Published in Proceedings of the 2nd Workshop on NLP for Languages Using Arabic Script (AbjadNLP), pages 75-83, Rabat, Morocco, March 2026
Journal ref Proceedings of the 2nd Workshop on NLP for Languages Using Arabic Script (AbjadNLP), pages 75-83, Rabat, Morocco. Association for Computational Linguistics, March 2026
EmoS：一种高保真多模态基准，用于细粒度流式情感理解
机构 * NLP（自然语言处理） ； CT Lab, Department of Computer and Information Science, University of Macau（计算机与信息科学学院，澳门大学CT实验室） ； School of Computer Science, Central China Normal University（Central China Normal University计算机科学学院）
AI总结 本文提出EmoS基准，通过严格过滤静态片段与动态流式独白子集结合，解决现有数据集在生态效度和噪声方面的不足，提升多模态大语言模型在情感识别和共情模型训练中的性能。
Comments acl - 2026 main accepted
ElasticFlow: 语言引导操作中的弹性时间 horizon 的一步物理一致策略
机构 * Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences（中国科学院重庆绿色智能技术研究所） ； Chongqing School, University of Chinese Academy of Sciences（中国科学院大学重庆校区） ； Faculty of Information Technology and Electrical Engineering, University of Oulu, Finland（芬兰奥卢大学信息科技与电气工程学院）
AI总结 ElasticFlow通过弹性时间 horizon 机制和直接建模平均速度场，实现高效的一步映射，提升语言引导操作的物理一致性和效率。
Comments Accepted to Findings of ACL 2026
无法学习者可以撒谎：评估和改进LLM去学习中的诚实性
机构 * Fudan University（复旦大学） ； Central South University（中南大学） ； Michigan State University（密歇根州立大学）
AI总结 本文评估并改进LLM去学习中的诚实性，提出正式定义并引入评估指标，实验显示现有方法无法满足标准，提出ReVa方法提升去学习效果和诚实性。
Comments Accepted by ACL 2026
打破僵局：用于社交语言代理的双尺度进化策略训练
机构 * MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS部） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； National University of Singapore（新加坡国立大学） ； Ritzz-AI
AI总结 本文提出双尺度进化策略训练方法，解决社交语言游戏中因策略空间庞大导致的进化停滞问题，通过动态优化景观干预，恢复梯度信号并促进持续战略探索。
Comments Accepted to the ACL 2026 Main Conference
ATAAT: 面向视觉-语言-动作模型后门攻击的自适应威胁感知对抗调制框架
机构 * Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences（重庆绿色智能技术研究院，中国科学院） ； Chongqing School, University of Chinese Academy of Sciences（重庆学校，中国科学院大学） ； Faculty of Information Technology and Electrical Engineering, University of Oulu, Finland（奥卢大学信息科技与电气工程学院，芬兰）
AI总结 本文提出ATAAT框架，解决视觉-语言-动作模型中后门攻击的梯度干扰问题，通过威胁-方法自适应映射机制实现高效攻击并保持隐蔽性，实验表明其在高成功率和低污染率下表现优异。
Comments Accepted to Findings of ACL 2026
YEZE在SemEval-2026任务9：通过异构集成检测多语言、多文化及多事件在线极化
机构 * University of Tübingen（图宾根大学）
AI总结 本文提出了一种系统，用于SemEval-2026任务9，通过三个子任务检测22种语言的极化社交媒体内容，采用异构集成多语言预训练模型，结合多任务学习、翻译数据增强和类别加权提升分类性能。
Comments Accepted to the SemEval-2026 workshop of the ACL 2026 conference
谱分析与序列知识编辑崩溃的缓解
机构 * Shandong University（山东大学） ； School of Computer Science, Beijing University of Posts and Telecommunications（北京邮电大学计算机学院） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
AI总结 本文通过谱分析揭示了序列知识编辑中模型泛化能力与预训练权重矩阵主导奇异方向的关系，提出REVIVE框架通过显式保留主导奇异子空间来稳定编辑过程，提升编辑效果并保持模型泛化能力。
Comments 22 pages, 18 figures, Accepted to ACL 2026 (Main Conference)
IntroLM：通过预填充阶段自我评估实现反思语言模型
机构 * DisNet Lab, School of Computing and Information Systems, The University of Melbourne, Australia（墨尔本大学计算机与信息系统学院DisNet实验室） ； School of Computing and Information Systems, The University of Melbourne, Australia（墨尔本大学计算机与信息系统学院） ； Department of Data Science & AI, Monash University, Australia（墨尔本大学数据科学与人工智能系）
AI总结 IntroLM通过在预填充阶段引入自我评估机制，使语言模型能预测自身输出质量，无需外部评估器，提升了生成效率和准确性。
Comments Accepted for publication in Findings of ACL 2026
ToolScope: 通过工具合并和上下文感知过滤增强LLM代理的工具使用
机构 * Oracle AI
AI总结 ToolScope通过自动校正的工具合并和上下文感知检索提升LLM代理的工具选择准确性，实验表明在三个顶级LLM和开源基准上提升了8.38%至38.6%的准确率。
Comments ACL Main Conference 2026
大语言模型的链式推理是否是一种幻象？一种数据分布视角
机构 * Arizona State University（亚利桑那州立大学）
AI总结 本文通过数据分布视角探讨了大语言模型链式推理的有效性，揭示其在分布差异下的脆弱性，提出DataAlchemy环境验证了推理能力受训练分布影响的结论。
Comments Accepted by the Association for Computational Linguistics (ACL) 2026 and Foundations of Reasoning in Language Models (FoRLM) at NeurIPS 2025
在测试时间扩展下对推理LLM进行排名
机构 * Department of Computer and Data Sciences（计算机与数据科学系） ； Department of Physics（物理系） ； Case Western Reserve University（凯斯西储大学）
AI总结 本文提出Scorio库，通过统计排名方法评估推理模型，在20个数学竞赛基准上验证了多种排名方法的有效性，并展示了在不同测试时间扩展下的性能。
Comments Code is available at https://github.com/mohsenhariri/scorio
Journal ref The 64th Annual Meeting of the Association for Computational Linguistics (ACL), 2026
量化关键：更多关键，更少值
机构 * Case Western Reserve University（凯斯西储大学） ； Rice University（Rice大学） ； Meta
AI总结 本文提出两项定理，基于Transformer模型的内在几何特性，指导混合精度KV量化。关键投影具有更大的谱范数和Frobenius范数，优先分配精度给关键能减少量化误差并保留准确性。
Journal ref The 64th Annual Meeting of the 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