ACL

MOOSE-Copilot: A Web-Based Interactive Assistant for Unified Exploratory and Fine-Grained Scientific Hypothesis Discovery

MOOSE-Copilot：一个基于网络的交互式助手，用于统一探索性和细粒度科学假设发现

Hongran An, Zonglin Yang

机构 * Central Conservatory of Music（中央音乐学院） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 提出MOOSE-Copilot，通过形式化的人机交互协议，将发散性探索和收敛性细化统一，利用蓝图、路由和反馈三种信号引导生成，显著优于纯自主基线。

Comments Accepted to ACL 2026 (System Demonstrations)

SecureVibeBench: Benchmarking Secure Vibe Coding of AI Agents via Reconstructing Vulnerability-Introducing Scenarios

SecureVibeBench: 通过重建引入漏洞的场景来基准测试AI代理的安全振动编码

Junkai Chen, Huihui Huang, Yunbo Lyu, Junwen An, Jieke Shi, Chengran Yang, Ting Zhang, Haoye Tian, Yikun Li, Zhenhao Li, Xin Zhou, Xing Hu, David Lo

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出SecureVibeBench，一个包含105个C/C++安全编码任务的基准测试，旨在评估AI代理在真实场景中生成安全代码的能力，发现现有方法在评估人类与AI代理对比时的不足。

Comments ACL 2026 Main Conference. Our code and data are on https://github.com/iCSawyer/SecureVibeBench

Similarity-Distance-Magnitude Activations

相似度-距离-幅度激活函数

Allen Schmaltz

机构 * Reexpress AI 纠错

AI总结 本文提出SDM激活函数，通过引入相似度和距离意识提升softmax的鲁棒性和可解释性，并通过密集匹配实现基于实例的可解释性。SDM估计器通过数据驱动的CDF分区控制分类准确性，优于现有校准方法。

Comments Accepted to Findings of the Association for Computational Linguistics: ACL 2026. 21 pages, 8 tables, 1 algorithm. arXiv admin note: substantial text overlap with arXiv:2502.20167

HARPO: Hierarchical Agentic Reasoning for User-Aligned Conversational Recommendation

HARPO：面向用户对齐的对话推荐的分层代理推理

Subham Raj, Aman Vaibhav Jha, Mayank Anand, Sriparna Saha

AI总结 HARPO通过分层代理推理框架优化多维推荐质量，结合上下文依赖的偏好学习、 deliberative树搜索和领域无关的推理抽象，提升推荐质量与用户对齐性。

Comments Accepted at the Annual Meeting of the Association for Computational Linguistics (ACL 2026)

Massively Multilingual Joint Segmentation and Glossing

大规模多语言联合分割与标注

Michael Ginn, Lindia Tjuatja, Enora Rice, Ali Marashian, Maria Valentini, Jasmine Xu, Graham Neubig, Alexis Palmer

机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 针对现有神经标注模型缺乏形态边界预测导致可解释性差的问题，提出PolyGloss模型，通过联合分割与标注提升准确性和对齐度，并支持低秩适应快速迁移。

Comments 15 pages, 9 figures, accepted to ACL 2026 Long Papers

Neural Induction of Finite-State Transducers

有限状态转换器的神经归纳

Michael Ginn, Alexis Palmer, Mans Hulden

机构 * University of Colorado（科罗拉多大学） ； New College of Florida（佛罗里达新学院） 纠错

AI总结 提出基于循环神经网络隐藏状态几何自动构建无权重有限状态转换器的方法，在形态变化、音素转换等任务上准确率优于传统算法达87%。

Comments 15 pages, 8 figures, accepted to ACL 2026 Findings

Multimodal Generative Engine Optimization: Rank Manipulation for Vision-Language Model Rankers

多模态生成式引擎优化：针对视觉-语言模型排序器的排名操纵

Yixuan Du, Chenxiao Yu, Haoyan Xu, Ziyi Wang, Yue Zhao, Xiyang Hu

机构 * Georgetown University（乔治城大学） ； University of Southern California（南加州大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Arizona State University（亚利桑那州立大学） 纠错

AI总结 提出多模态生成式引擎优化（MGEO）方法，通过联合优化图像扰动和文本后缀，利用视觉-语言模型内部跨模态知识耦合，实现对产品排名的有效操纵，揭示了多模态基础模型知识基础的脆弱性。

Comments Proceedings of the 4th Workshop on Towards Knowledgeable Foundation Models (KnowFM) at ACL 2026

Understanding Benchmark Language Under Weakened Formal Semantics

弱化形式语义下的基准语言理解

Haoyang Chen, Kumiko Tanaka-Ishii

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； School of Fundamental Science and Engineering（基础科学与工程学院） ； Waseda University（早稻田大学） 纠错

AI总结 提出可计算表示方法，通过外部知识检索提取可执行代码，在数学推理、多步推理等基准上超越纯文本推理和单次代码执行，提供可扩展、可检查的语义证据。

Comments Accepted to Transactions of the Association for Computational Linguistics (TACL). 29 pages, 5 figures

Breaking the Curse of Knowledge: Designing Personalized Jargon Support for Real-Time Online Meetings

打破知识的诅咒：为实时在线会议设计个性化术语支持

Yifan Song, Yijun Liu, Wing Yee Au, Hon Yung Wong, Brian P. Bailey, Tal August

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Fujitsu Research of America（富士通美国研究） 纠错

AI总结 提出ParseJargon系统，利用用户画像和会话内反馈实现个性化术语识别，提升在线会议中跨学科听众的理解和参与度。

Comments Portions of this work appeared in CHI '26 Extended Abstracts ("Breaking the Curse of Knowledge: Toward Personalized Jargon Support in Online Meetings") and ACL '26 System Demonstrations ("ParseJargon: Personalized Real-time Jargon Support in Online Meetings")

Uncovering Intervention Opportunities for Suicide Prevention with Language Model Assistants

利用语言模型助手发现自杀预防的干预机会

Jaspreet Ranjit, Hyundong J. Cho, Claire J. Smerdon, Yoonsoo Nam, Myles Phung, Jonathan May, John R. Blosnich, Swabha Swayamdipta

AI总结 研究利用语言模型作为高效助手，辅助国家暴力死亡报告系统（NVDRS）的数据标注和专家工作，发现模型在50个变量上约85%的标注一致，38%的不一致可通过专家审查发现标注差异，并引入人机协同算法优化新变量标注流程。

Comments Project Website: https://dill-lab.github.io/interventions_lm_assistants/

Journal ref In Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics, 2026