ACL

How Useful are LLMs for Grammar Engineering? Cantonese ParGram Resources and Controlled Experimental Evaluation with English Baselines

大型语言模型（LLMs）对语法工程有多有用？粤语ParGram资源及与英文基线的对照实验评估

Chit-Fung Lam

AI总结 本研究通过对照实验评估LLMs在语法工程中的作用，发现GPT-5.4优于gpt-oss-120b，LLMs可支持语法开发中间阶段但需人类专业知识，还贡献了新粤语符号语法资源。

Comments Accepted to Findings of the Association for Computational Linguistics: EMNLP 2026

Definitional Sensitivity in Media Bias Detection: A Multi-Definition Dataset and Benchmark

媒体偏见检测中的定义敏感性：多定义数据集与基准

Martin Wessel, Timo Spinde, Jürgen Pfeffer, Gianluca Demartini

机构 * Technical University of Munich（慕尼黑工业大学） ； National Institute of Informatics（信息学研究所） ； University of Queensland（昆士兰大学） 纠错

AI总结 该研究针对媒体偏见检测中定义差异被忽视的问题，通过含354名参与者的实验和四个LLM评估，发现概念框架影响标注，发布了多定义偏见检测数据集MUDD。

Comments To appear in Findings of the Association for Computational Linguistics: EMNLP 2026

SelFusion: Self-distillation for Diffusion Language Models

SelFusion：面向扩散语言模型的自蒸馏方法

Hyeongsoo Lim, Jinyoung Kim, Eunseo Seo, Minho Jang, Jiwon Yoon

机构 * Chung-Ang University（中央大学） 纠错

AI总结 本文针对扩散语言模型（DLM）生成质量差的问题，提出无需外部教师模型的自蒸馏框架SelFusion，通过双向蒸馏两种掩码模式实现性能提升，在指令跟随任务中效果优于传统知识蒸馏方法。

Comments Published as a main conference paper at ACL 2026

Sycophants in the Courtroom: Are LLMs Fragile to Juridical Authority and Evolving Legal Standards?

法庭中的谄媚者：大型语言模型（LLMs）是否对司法权威与演变的法律标准脆弱？

Lorenzo Molfetta, Alessio Cocchieri, Luca Ragazzi, Ilaria Bartolini, Marco Patella, Gianluca Moro

AI总结 该研究通过比较诊断框架对比LLMs在法律与医学领域的表现，发现法律LLMs对司法权威扰动更脆弱，过度信任权威虚假信息，模型规模会放大该问题。

Comments Please cite the definitive, peer-reviewed version of this article published in the Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), edited by Maria Liakata et al., Association for Computational Linguistics, pp. 10865-10886, 2026. DOI: this https URL (https://doi.org/10.18653/v1/2026.acl-long.497)

RSMeM: Knowledge-Enhanced Memory Evolution for Remote Sensing Agents with Systematic Evaluation

RSMeM：用于遥感智能体的知识增强记忆进化及系统评估

Bingxian Wu, Yu Zhang, Zonghao Guo, Tang Liu, Chen Qian, Yuxiang Lu, Xingbo Du, Yanghao Li, Yidan Zhang, Chi Chen, Ling Yao, Maosong Sun

AI总结 研究针对现有遥感智能体问题，提出RSMeM机制，通过分层知识基础和失败感知经验提炼两个组件，迭代吸收领域知识转化为执行经验，经实验验证能提升工具使用性能和答案质量，具有强大知识密度。

Comments Accepted to ACL 2026 Main. 18 pages. Added links to the GitHub repository and ModelScope Studio below the title; technical content and results remain unchanged. Code: this https URL (https://github.com/AI9Stars/RSMeM). Demo: this https URL (https://modelscope.cn/studios/wbx929/RSMeM)

Model Directions, Not Words: Mechanistic Topic Models Using Sparse Autoencoders

模型方向，而非词语：使用稀疏自编码器的机制性主题模型

Carolina Zheng, Nicolas Beltran-Velez, Sweta Karlekar, Claudia Shi, Achille Nazaret, Asif Mallik, Amir Feder, David M. Blei

机构 * Columbia University（哥伦比亚大学） ； Google Research（谷歌研究院） ； Independent（独立研究者） 纠错

AI总结 本文提出机制性主题模型（MTMs），利用稀疏自编码器学习可解释特征，以揭示深层概念主题，并通过topic judge评估框架验证其有效性。

Comments Accepted for publication in Transactions of the Association for Computational Linguistics (TACL). 26 pages, 10 figures