ACL

SchemaRAG: Dynamic Large Schema Reduction for LLM-driven Structured Information Extraction

SchemaRAG：面向LLM驱动的结构化信息提取的动态大规模模式缩减

Sin Yu Bonnie Ho, Arlie Coles, Erik Larsson, Eric Marshall, Nathan Bodenstab, Paul Vozila

AI总结 针对大规模模式导致LLM提取结构化信息时成本高、性能下降的问题，提出SchemaRAG框架，通过检索增强动态缩减输出模式空间，在医疗和电商数据集上实现F1提升8.8%、延迟降低47%、令牌成本降低48%。

Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 6: Industry Track), pages 1114-1127, San Diego, California, USA, July 2026. Association for Computational Linguistics

MolSafeEval: A Benchmark for Uncovering Safety Risks in AI-Generated Molecules

MolSafeEval: 揭示AI生成分子安全风险的基准

Tong Xu, Xinzhe Cao, Zhihui Zhu, Keyan Ding, Huajun Chen

机构 * Zhejiang University（浙江大学） ； ZJU-Hangzhou Global Scientific and Technological Innovation Center（浙大-杭州全球科技创新中心） ； University of Oxford（牛津大学） 纠错

AI总结 提出MolSafeEval基准，通过构建分子安全知识图谱和基于大语言模型的推理，系统评估四类分子生成模型的安全风险，揭示当前方法的漏洞。

Comments Accepted by Findings of ACL 2026

CAT: Confidence-Adaptive Thinking for Efficient Reasoning of Large Reasoning Models

CAT：面向大型推理模型高效推理的置信度自适应思考

Qizhi Jiang, Shuo Wang, Pei Ke, Yuhang Song, Ke Qin

机构 * Laboratory of Intelligent Collaborative Computing, University of Electronic Science and Technology of China（电子科技大学智能协同计算实验室） ； Ubiquitous Intelligence and Trusted Services Key Laboratory of Sichuan Province（四川省泛在智能与可信服务重点实验室） 纠错

AI总结 提出置信度自适应思考（CAT）框架，利用模型内在自确信信号作为置信度，通过偏好优化自主调节推理长度，在保持准确率的同时压缩简单问题的推理开销。

Comments Accepted at ACL 2026 Industry Track

Harnessing the Latent Space: From Steering Vectors to Model Calibrators for Control and Trust

利用潜在空间：从引导向量到模型校准器以实现控制与信任

Nishant Subramani

机构 * Carnegie Mellon University, Language Technologies Institute（卡内基梅隆大学语言技术研究所） 纠错

AI总结 本文提出利用潜在空间中的引导向量控制语言模型行为，并开发基于潜在空间的模型校准器评估输出可信度，从而增强模型的可控性与可靠性。

Comments ACL 2026 (BigPicture Workshop)