ACL

Can Factual Opinions Be Edited (Manipulated) in Large Language Models?

大型语言模型中的事实性观点能否被编辑（操纵）？

Yuanpu Cao, Ziyi Yin, Fenglong Ma, Jinghui Chen

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

AI总结 提出FOE基准测试，评估当前知识编辑技术对事实性观点（如公众人物立场）的操纵能力，并发现其仅能实现表面修改，无法保持观点与证据的一致性；进而提出自生成证据对齐方法实现观点-证据对齐。

Comments Accepted to the ACL 2026 Main Conference

CreativeBench: Benchmarking and Enhancing Machine Creativity via Self-Evolving Challenges

CreativeBench: 通过自我进化挑战基准测试和增强机器创造力

Zi-Han Wang, Lam Nguyen, Zhengyang Zhao, Mengyue Yang, Chengwei Qin, Yujiu Yang, Linyi Yang

机构 * Southern University of Science and Technology（南方科技大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； University of Bristol（布里斯托大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Xi’an Jiaotong University（西安交通大学） 纠错

AI总结 提出CreativeBench基准，基于认知框架通过代码生成评估机器创造力，包含组合与探索两个子集，利用逆向工程和自我博弈自动生成挑战，并通过质量与新颖性乘积的指标区分创造与幻觉。

Comments ACL 2026. Project page: https://zethwang.github.io/creativebench.github.io/

From Isolation to Entanglement: When Do Interpretability Methods Identify and Disentangle Known Concepts?

从孤立到纠缠：可解释性方法何时识别和解缠已知概念？

Aaron Mueller, Andrew Lee, Shruti Joshi, Ekdeep Singh Lubana, Dhanya Sridhar, Patrik Reizinger

机构 * Boston University（波士顿大学） ； Harvard University（哈佛大学） ； Mila – Quebec AI Institute（魁北克AI研究所） ； Goodfire（Goodfire公司） 纠错

AI总结 本文提出多概念评估框架，研究稀疏自编码器和探针等方法是否真正解缠概念，发现特征通常只对单一概念敏感，但概念分布在多个特征上，且干预特征常影响多个概念，表明相关性指标不足以证明干预选择性。

Comments ACL 2026

WildIFEval: Instruction Following in the Wild

WildIFEval: 野外指令遵循

Gili Lior, Asaf Yehudai, Ariel Gera, Liat Ein-Dor

机构 * The Hebrew University of Jerusalem（希伯来大学杰里科分校） ； IBM Research（IBM研究院） 纠错

AI总结 提出WildIFEval数据集，包含7K条真实用户的多约束指令，用于评估LLM的指令遵循能力，发现所有模型仍有较大改进空间。

Comments Accepted to the 5th Workshop on Generation, Evaluation and Metrics (GEM) at ACL 2026

Authorship Attribution in Multilingual Machine-Generated Texts

多语言机器生成文本的作者归属

Lucio La Cava, Dominik Macko, Róbert Móro, Ivan Srba, Andrea Tagarelli

机构 * DIMES Department, University of Calabria（卡利博大学DIMES系） ； Kempelen Institute of Intelligent Technologies（智能技术研究所） 纠错

AI总结 提出多语言作者归属问题，研究单语言方法在18种语言和8个生成器上的跨语言迁移能力，发现显著局限。

Comments Accepted at ACL 2026 - Main

RAGPPI: RAG Benchmark for Protein-Protein Interactions in Drug Discovery

RAGPPI：药物发现中蛋白质-蛋白质相互作用的RAG基准

Youngseung Jeon, Ziwen Li, Thomas Li, JiaSyuan Chang, Morteza Ziyadi, Xiang 'Anthony' Chen

机构 * University of California Los Angeles（加州大学洛杉矶分校） ； Palo Alto High School（帕洛阿尔托高中） ； Amazon AGI（亚马逊人工智能研究院） 纠错

AI总结 提出RAGPPI基准，包含4420个问答对，用于评估检索增强生成在药物发现中识别蛋白质-蛋白质相互作用生物学影响的能力。

Comments 17 pages, 4 figures, 8 tables

Journal ref Proceedings of the 18th Conference of the European Chapter of the Association for Computational Linguistics (EACL 2026)