期刊&会议
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
机器中的CASPER：LLM生成故事中角色多样性的洞察
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Michigan（密歇根大学）
AI总结 本文借用叙事学定义，从八个维度分析LLM与人类创作故事中角色的刻画，发现两者在角色类型和多样性上既有相似也有差异。
Comments Proceedings of ACL, 2026
自我评估已然存在：用最少数据激发基础LLM中的潜在评判校准
机构 * National University of Singapore（新加坡国立大学） ； Beijing University of Technology（北京理工大学）
AI总结 本文提出自我评估激发（SEE）方法，通过少量数据（160个示例）结合校准耦合强化学习和掩码蒸馏，激发基础LLM中已有的预测外部评判者评分能力，在保持答案质量的同时显著提升校准性能。
Comments Findings of the Association for Computational Linguistics: EMNLP 2026
LongDS-Bench：关于长周期智能数据分析的失败
机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； Zhejiang University - Ant Group Joint Laboratory of Knowledge Graph（知识图谱联合实验室）
AI总结 提出LongDS基准，用于评估长周期多轮数据分析中智能体维护和更新分析状态的能力，发现最佳模型平均准确率仅48.45%，且长周期错误占失败原因的52%-69%。
Comments ACL 2026
大语言模型在权力不对称对话中是否反映社会认知效应？
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 研究探讨了大语言模型在被赋予高或低地位角色时是否表现出与人类相似的社会认知效应，通过模拟多轮权力不对称对话，分析语言协调、代词使用、说服成功率和对危险请求的遵从性，发现模型在权力效应上表现出关键特征，但存在差异和变异性。
Comments ACL 2026 (main)
PRISM：免训练多模态数据选择的自剪枝内在选择方法
机构 * LMU Munich（慕尼黑大学） ； Munich Research Center, Huawei Technologies（慕尼黑研究中心，华为技术） ； METEOR ； School of Computer Science, Wuhan University（武汉大学计算机学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心）
AI总结 针对多模态大语言模型视觉指令数据冗余问题，提出一种免训练框架PRISM，通过隐式重中心化消除视觉特征各向异性导致的全局语义漂移，实现高效数据选择，在降低计算成本的同时提升模型性能。
Comments Accepted to EMNLP 2026 and selected for the ACL 2026 Best Paper Consideration
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