期刊&会议
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
LLMSurgeon: 诊断大型语言模型的数据混合
机构 * VILA Lab, MBZUAI（VILA实验室，MBZUAI） ； UCL
AI总结 提出LLMSurgeon框架，通过逆问题方法从目标LLM生成文本中估计预训练语料的领域分布，实现无需训练数据的后验审计。
Comments ACL 2026 Main. Code at https://github.com/Yaxin9Luo/LLMSurgeon
揭秘数据组织以增强大语言模型训练
机构 * Nanyang Technological University（南洋理工大学） ； Microsoft Research（微软研究院） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 本文系统探索数据组织对大语言模型训练的影响，提出边界锐化、循环调度、课程连续性和局部多样性四项优化准则，并基于此设计了两种新的数据排序方法STR和SAW，实验验证了其在预训练和微调阶段的有效性。
Comments ACL 2026 Main Conference
边推理边提问：将推理型大语言模型从被动求解者转变为主动询问者
机构 * National Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室） ； Artificial Intelligence Research Institute（人工智能研究院） ； Shenzhen Institutes of Advanced Technology（深圳先进技术研究院） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of Texas, Dallas（德克萨斯大学达拉斯分校） ； University of Minnesota（明尼苏达大学）
AI总结 提出主动交互推理（PIR）范式，通过不确定性感知微调和用户模拟器策略优化，使LLM在推理中主动提问以澄清前提和意图不确定性，在数学推理、代码生成和文档编辑任务上显著提升准确率、通过率和BLEU值，同时减少近半推理计算和不必要交互。
Comments ACL Main Conference
Dial HEALTHDIAL for Advice: 一个用于知识驱动信息检索的多语言多平行口语对话数据集
机构 * Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算、信息与技术学院） ； Independent Researcher（独立研究员）
AI总结 本文构建了HEALTHDIAL，一个大规模多语言多平行口语对话数据集，用于开发基于检索增强生成的口语对话系统，并揭示了不同语言间的性能差异。
Comments Accepted to Findings of ACL 2026
大型音频语言模型中的音频越狱：分类、攻防分析与成本感知评估
机构 * National Taiwan University（台湾大学）
AI总结 本文提出了大型音频语言模型中音频越狱攻击与防御的统一分类法和受控实证评估，揭示了声学最佳N攻击暴露了最坏情况下的音频空间漏洞，叙事框架是一种有效的低延迟语义威胁，而现有防御在鲁棒性与良性可用性之间存在权衡。
Comments Submitted to ACL ARR 2026 May
教会语言模型使用人类应试策略检查基于事实的声明真实性
机构 * Intelligent Systems Laboratory（智能系统实验室） ； University of Bristol（布里斯托大学）
AI总结 将基于事实的声明真实性检查建模为真假阅读理解任务，通过提示语言模型使用明确的应试策略进行高效推理，并训练小语言模型以降低推理成本。
Comments ACL 2026 Main
HiKEY: 面向开放域文档问答的分层多模态检索
机构 * Human-inspired AI Research, Korea University（韩国大学人机智能研究部） ； Computer Science and Engineering, Konkuk University（韩国康科大学计算机科学与工程系） ； Department of Computer Science and Engineering, Korea University（韩国大学计算机科学与工程系）
AI总结 提出基于文档层次结构的分层多模态检索框架HiKEY，通过文档层次解析和粗到细的检索策略解决大规模工业语料中的路由失败和证据碎片化问题，在ODQA基准上检索召回率提升达12.9%，端到端QA性能提升达6.8%。
Comments Accepted to ACL2026 Main
认真统计的重要性：对GSM-Symbolic的批判性再评估
机构 * Instituto Superior Técnico & INESC-ID, Universidade de Lisboa, Portugal（里斯本大学技术高级学院及INESC-ID研究所，里斯本大学，葡萄牙） ； Dept. of Computer Science and AI & DaSCI Institute, Universidad de Granada, Spain（计算机科学与人工智能系及DaSCI研究所，格拉纳达大学，西班牙）
AI总结 通过广义线性混合模型和每问题随机效应重新评估20个开源模型，发现仅半数模型在原始提示格式下表现显著变化，并指出GSM-Symbolic数据集存在大整数分布偏移，控制该效应后剩余显著案例约减半，表明关于LLM推理的笼统结论在统计上不成熟且机制上具有误导性。
Comments 38 pages, 11 figures. Submitted to ACL ARR / EMNLP 2026
超越文本：音频章节划分的新视角
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文通过提出音频专用架构AudioSeg、分析影响性能的因素以及形式化评估协议，系统研究了音频章节划分任务，发现AudioSeg显著优于基于文本的方法，停顿是最有效的声学特征，而多模态大模型在短音频上表现有潜力。
Comments Accepted at ACL 2026 (Main Conference)
重新审视指令跟随中语言模型的可靠性
机构 * Tsinghua University（清华大学） ； Ant Group（蚂蚁集团）
AI总结 本文提出可靠@k指标和自动生成相似提示的流水线，构建IFEval++基准，发现当前模型在细微差异提示下性能下降高达61.8%，并探索了三种改进方法。
Comments ACL 2026 main oral
SegTune：歌曲生成的结构化与细粒度控制
机构 * Kuaishou Technology（快手科技）
AI总结 提出非自回归框架SegTune，通过段级局部描述和全局提示实现歌曲的结构化可控生成，并引入基于LLM的时长预测器实现精确的歌词-音乐对齐。
Comments This technical report was later revised and published at ACL 2026 (oral). ACL paper link: https://openreview.net/forum?id=FKf2S4u8at , code: https://github.com/KlingAIResearch/SegTune
通过最小贝叶斯风险解码在摘要中实现基于共识和一致性的事实性增强
机构 * Nara Institute of Science and Technology（奈良科学技术研究所） ； Chungnam National University（全南国立大学） ； Institute of Science Tokyo（东京科学研究所）
AI总结 提出ConSUM方法，利用最小贝叶斯风险解码建立候选摘要间的共识，并结合与源文档的一致性指标进行重排序，以提升摘要的事实性。
Comments Accepted to ACL 2026 Findings
等等！有出路：一种预测对话偏离的决策机制
机构 * Cornell University（康奈尔大学）
AI总结 提出一种基于前瞻性模拟的延迟决策机制，在预测对话偏离时通过评估紧张时刻的恢复可能性来降低误报率，同时保持预测准确性。
Comments To appear in the Proceedings of ACL 2026
GTA：大规模生成面向Web智能体的长程任务
机构 * University of Southern California（南加州大学） ； Salesforce AI Research（Salesforce人工智能研究） ； University of California, Davis（加州大学戴维斯分校）
AI总结 提出GTA框架，通过集成爬取、检索式种子生成、上下文内生成和自动质量控制，为Web智能体生成带可执行轨迹的真实长程任务，解决现有基准缺乏过程监督和可扩展性问题。
Comments Published at Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics
一掩蔽之：编辑后的隐藏事实及其发现方法
机构 * Technical University of Munich（慕尼黑技术大学） ； Marburg University（马尔堡大学） ； University of Oxford（牛津大学）
AI总结 本文通过训练二进制掩码揭示ROME和MEMIT知识编辑方法依赖共同权重子集，并证明编辑抑制而非覆盖知识，导致无法传播至相关事实。
Comments Accepted to Findings of ACL 2026
GenesisFunc: 面向准确且泛化的函数调用的多智能体数据生成
机构 * Tongyi Fun Team, Alibaba Group（通义功能团队，阿里巴巴集团）
AI总结 提出GenesisFunc多智能体自动生成函数调用训练数据，通过多阶段评估保证质量，微调8B模型在域内和域外均优于同类开源模型，性能接近部分API模型。
Comments Accepted by ACL 2026 Main
从自回归到扩散：利用严格因果与弹性视野高效适配大型语言模型
机构 * School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院） ； School of Computer Science, Wuhan University（武汉大学计算机学院）
AI总结 提出FLUID框架，通过严格因果对齐和弹性视野机制，将自回归模型高效适配为扩散模型，实现并行文本生成并大幅降低训练成本。
Comments Accepted by ACL 2026
“Be My Cheese?”：多语言大语言模型中机器翻译的文化细微差别基准
机构 * Appen ； The University of Chicago（芝加哥大学） ； The University of California, Berkeley（加州大学伯克利分校）
AI总结 本文通过大规模人工评估基准，研究多语言大语言模型在机器翻译中处理文化细微差别（如习语、双关语、节日和文化概念）的能力，发现语法准确性与文化共鸣之间存在显著差距。
Comments ACL 2026: Natural Language Generation, Evaluation, and Metrics (GEM) Workshop
MENTOR: 面向自回归视觉生成模型的高效多模态条件微调
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Microsoft（微软公司）
AI总结 提出MENTOR框架，通过两阶段训练范式实现自回归图像生成器与多模态输入的细粒度token级对齐，无需辅助适配器或交叉注意力模块，在DreamBench++上取得优异性能。
Comments Findings of ACL 2026
PersonaAgent：弥合个性化LLM智能体的记忆与行动
机构 * Amazon Stores Foundational AI（亚马逊基础AI）
AI总结 提出PersonaAgent框架，通过整合个性化记忆模块（情景与语义记忆）和行动模块，并利用角色提示作为中介实现记忆与行动的协同，以解决LLM智能体的个性化任务。
Comments Accepted in 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