ACL

Evidence-Bounded Mental Health Reasoning from Heterogeneous Speech Protocols

基于异构语音协议的证据受限心理健康推理

Chengyuan Gao, Jiang Wu, Tao Lu, Jiayan Guo, Mingkun Xu, Tianyi Zang, Shangyang Li

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Renyixun Health Technology Co., Ltd.（仁医讯健康科技有限公司） ； GDIIST（广东省智能制造研究所） ； Tencent（腾讯） 纠错

AI总结 本研究针对现有心理健康筛查模型的证据边界问题，提出协议感知的证据控制框架EviBound，在抑郁症筛查任务中达到0.8658的AUROC，且实现零宣称违规。

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

Thesis Proposal: Toward a Human-Centered and Perspective-Aware Framework for Reproducible ML Evaluation and AI Alignment

论文提案：面向可复现的机器学习评估与AI对齐的以人为中心且视角感知的框架

Deepak Pandita, Christopher M. Homan

机构 * Rochester Institute of Technology（罗切斯特理工学院） 纠错

AI总结 针对当前LLM评估掩盖少数视角、加剧AI可复现性危机的问题，论文提出一种以人为中心且视角感知的框架，用于可复现的机器学习评估与AI对齐。

Comments Published at ACL SRW 2026: https://aclanthology.org/2026.acl-srw.74/

Journal ref Proc. ACL SRW (2026) vol. 4 pp. 827-843

Where Identity Lives: Localized, Retain-Free Identity Unlearning in Multimodal Large Language Models

身份信息的留存位置：多模态大语言模型中无保留集的本地化身份遗忘

Kangwook Ko, Jaehyuk Jang, Wonjun Lee, Hee-Seon Kim, Changick Kim

机构 * KAIST（韩国科学技术院） 纠错

AI总结 该研究针对多模态大语言模型身份遗忘需依赖难获取保留集的问题，提出PAVA方法，定位解码器早期到中期MLPs并结合遗忘损失与视觉属性锚定，在基准上取得良好遗忘-保留权衡。

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

Read the Room, Read the Image: Understanding Indirect Speech Acts in Multimodal Visual Contexts

读懂房间，读懂图像：理解多模态视觉语境中的间接言语行为

Jaehee Kim, Ji Hoon Chung, Seoyoon Park, Unsol Kim, Kyungwon Park, Ji Hak Kim, Yi-Jun Chen, Hansaem Kim

机构 * Yonsei University（延世大学） ； LG AI Research（LG人工智能研究院） 纠错

AI总结 该研究推出多模态基准READI，以视觉语用问答任务评估间接言语行为理解，发现先进多模态模型在视觉接地间接言语行为上表现差，性能随间接性提升而下降，凸显相关基准的必要性。

Comments Accepted to Findings of ACL 2026

"Act Like a 5th Grader" is Not Enough: Bounding Knowledge in LLM-Based User Simulators

仅模仿五年级学生还不够：基于大语言模型的用户模拟器中的知识边界

Krisztian Balog, Arild Michel Bakken

机构 * University of Stavanger（斯塔万格大学） 纠错

AI总结 该研究针对基于大语言模型的用户模拟器存在的“超人偏差”问题，提出认知受限用户模拟器（CBUS）框架，通过明确建模认知边界提升模拟人类阅读行为的保真度。

Comments Findings of the Association for Computational Linguistics: EMNLP 2026

Generating Clinical Vignettes that Preserve Cognitive Formulations

生成保留认知构想的临床案例 vignettes

Amit Oren, Nimrod Hertz-Palmor, Dean Ariel, Guy Laban

机构 * Ben-Gurion University of the Negev（内盖夫本-古里安大学） ； University of Cambridge（剑桥大学） ； Clalit Health Services（克拉利特医疗服务机构） ； Tel Aviv University（特拉维夫大学） ； School of Brain Sciences and Cognition, Ben-Gurion University of the Negev（内盖夫本-古里安大学脑科学与认知学院） ； Azrieli National Center for Autism and Neurodevelopment Research（阿兹里利国家自闭症与神经发育研究中心） 纠错

AI总结 本研究提出基于理论的 FORMA 框架，将认知模型编译为图来生成符合临床结构的创伤后应激障碍案例 vignettes，经评估其质量高且人口统计学差异小，可作为合成临床文本生成的可审计规范。

Comments Accepted to Findings of the Association for Computational Linguistics: EMNLP 2026. Code and data: https://github.com/Amit-Oren/FORMA

ManGo: Manga Active Narrative Grounding Optimization

ManGo：漫画主动叙事定位优化

Hao Qiu, Junyan Wang, Zheyuan Liu, Lei Fan, Hong Jia, Lianbo Guo, Zhulin Tao

机构 * Communication University of China（中国传媒大学） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学澳大利亚机器学习研究所） ； University of New South Wales（新南威尔士大学） ； University of Auckland（奥克兰大学） ； Huazhong University of Science and Technology（华中科技大学） 纠错

AI总结 本研究针对漫画视觉问答的分镜叙事结构问题，提出无监督框架ManGo，通过主动叙事草图结合双奖励的组相对策略训练，在标准基准上取得最优性能。

Comments 16 pages, 9 figures, 7 tables. Accepted to Findings of the Association for Computational Linguistics: EMNLP 2026

MI-Distillation: Selecting from Model-Interpolated Instruct-Reasoning Data Spectrum for Chain-of-Thought Distillation

MI-Distillation：从模型插值的指令推理数据频谱中选择以进行思维链蒸馏

Yangsong Lan, Renkai Hu, HongKai Zheng, Bo Zhang, Renzhi Wang, Hongliang Dai, Piji Li

机构 * The Key Laboratory of Brain-Machine Intelligence Technology, Ministry of Education（教育部脑机智能技术重点实验室） 纠错

AI总结 本研究提出MI-Distillation框架，通过模型插值构建指令推理数据频谱，引入SeqLSS选择合适轨迹，在推理基准上显著提升了小模型的思维链蒸馏效果。

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

Cross-lingual Functional Vectors for Emotion Detection in Large Language Models

用于大语言模型情感检测的跨语言功能向量

Jieying Xue, Phuong Minh Nguyen, Minh Le Nguyen, Shogo Okada

机构 * Japan Advanced Institute of Science and Technology（日本先进科学技术学院） 纠错

AI总结 本研究以多语言多标签情感识别为基准，探究跨语言功能向量（FVs）在大语言模型中的应用，发现FVs可跨语言提升情感检测性能，是轻量可迁移的多语言任务适配机制。

Comments Findings of the Association for Computational Linguistics: EMNLP 2026

BIRD-History: A Benchmark for History-Driven Text-to-SQL with Fine-Grained Knowledge Annotations

BIRD-History：带有细粒度知识标注的历史驱动型Text-to-SQL基准测试

Yunfan Zhou, Qiming Shi, Yizhou Yang, Di Weng, Yingcai Wu

机构 * Zhejiang University（浙江大学） 纠错

AI总结 本研究推出带细粒度知识标注的BIRD-History基准测试，针对现有Text-to-SQL系统无法利用历史查询日志处理隐含领域知识的问题，提出插件式检索器，可提升多个Text-to-SQL系统的未明确查询处理性能。

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

Super Library Agent: Joint Generation and Maintenance of Multiple Applications Beyond the Single Codebase

超级库智能体：超越单一代码库的多应用联合生成与维护

Daegyu Sung, Yukyeong Lee, Geon Park, Yumin Choi, Sung Ju Hwang

AI总结 针对关联应用组合维护的冗余与结构退化问题，提出超级库智能体方法，通过候选引导提取等技术，在WebGen-Bench等基准上减少冗余并避免结构退化。

Comments Findings of the Association for Computational Linguistics: EMNLP 2026. Project page: https://sbigstar0310.github.io/super-library-agent/

ProgRouter: Online Progress-Guided Orchestration for Multi-Agent LLM Workflows under Quality-Cost Tradeoffs

ProgRouter：面向质量-成本权衡的多智能体大语言模型工作流的在线进度引导编排

Songyuan Li, Ahmed M. Abdelmoniem, Shiqiang Wang

机构 * Aston University（阿斯顿大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Exeter（埃克塞特大学） 纠错

AI总结 ProgRouter是一种在线进度引导路由框架，通过多视图任务进度评分器等机制，在多智能体LLM工作流中平衡任务质量与时间、成本预算，在多类任务数据集上较基线降低运营成本且保持性能。

Comments Accepted in Findings of the Association for Computational Linguistics: EMNLP 2026. Index Terms: Collaborative agentic workflows, LLM agent orchestration, Quality-cost trade-off, Task progress prediction, Online decision-making

MEMORA: Embodied Action Memory from Egocentric Videos for Reasoning and Planning

MEMORA：基于自我中心视频的具身动作记忆用于推理与规划

Zihao Yu, Xiu Yuan, Chongjie Zhang

AI总结 研究针对长期机器人规划中对具身经验记忆的需求，提出MEMORA方法，通过形成-巩固-检索生命周期及四种类型存储实现具身动作记忆，经实验评估取得良好结果，能为机器人规划提供记忆上下文。

Comments 50 pages. v1: Oral presentation at the Robotics: Science and Systems 2026 Workshop on Foundation Models for Robot Planning (FM4RoboPlan). v2: Accepted to the Association for Computational Linguistics: EMNLP 2026

Agora: Enhancing LLM Agent Reasoning Via Auction-Based Task Allocation

Agora：通过基于拍卖的任务分配增强大语言模型智能体推理

Kaiji Zhou, Aleš Leonardis, Yue Feng

机构 * University of Birmingham（伯明翰大学） 纠错

AI总结 研究旨在增强LLM智能体推理能力，提出Agora框架，通过基于拍卖的机制动态分配任务，将推理步骤视为可交易项目让智能体依纠正能力投标，实验表明该框架在多基准测试中表现优且能实现成本-质量权衡。

Comments Accepted to Findings of the Association for Computational Linguistics: EMNLP 2026. 13 pages, 5 figures

Beyond Helpfulness: A Teaching-over-Solving Diagnostic for Measuring Educational Impact in LLM Tutors

衡量LLM导师是教学还是解题：教育影响的诊断方法

Junyi Yao, Zihao Zheng, Baichuan Li

机构 * Washington University in St. Louis（圣路易斯华盛顿大学） ； Department of Operations Research and Engineering Management, Southern Methodist University（南卫理公会大学运筹学与工程管理系） 纠错

AI总结 针对LLM作为教育导师时解题能力不等于教学支持的问题，提出基于解题导向与教学导向基准性能差距的诊断方法，通过MathTutorBench分析表明两者仅部分对齐，建议分开报告评分并明确保护学生能动性的标准。

Comments accepted to 2026 EMNLP NLP4PI workshop, in proceedings to ACL anthology

OISD: On-Policy Internal Self-Distillation of Language Models

OISD: 语言模型在策略内部自蒸馏

Xinyu Liu, Darryl Cherian Jacob, Yang Zhou, Jindong Wang, Pan He

机构 * Auburn University（阿肯色大学） ； William & Mary（威廉与玛丽学院） 纠错

AI总结 提出OISD框架，通过将最终层的预测信号蒸馏到中间层，结合logit对齐和注意力对齐，提升推理能力，在数学推理任务上显著优于基线。

Comments Findings of the Association for Computational Linguistics: EMNLP 2026

BIRDS: Characterizing and Understanding Biodiversity Impact of Large Language Model Serving

BIRDS：表征与理解大语言模型服务对生物多样性的影响

Tianyao Shi, Yi Ding

机构 * Purdue University（普渡大学） 纠错

AI总结 提出BIRDS框架，通过定义请求级功能单元、量化运营与隐含生物多样性影响，并引入质量归一化生物多样性影响（QNBI），揭示大规模LLM服务对生态系统的累积影响及质量感知的服务权衡。

Comments 23 pages, 27 figures, 10 tables, the 2026 Conference on Empirical Methods in Natural Language Processing (EMNLP), Budapest, Hungary, October 24-29th, 2026

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2026

Comprehensiveness Metrics for Automatic Evaluation of Factual Recall in Text Generation

全面性指标用于文本生成中事实回忆的自动评估

Adam Dejl, James Barry, Alessandra Pascale, Javier Carnerero Cano

机构 * Department of Computing, Imperial College London（伦敦帝国学院计算机系） ； IBM Research（IBM研究院） 纠错

AI总结 本文提出三种自动评估指标以评估大语言模型生成文本的全面性，发现端到端方法在效果上优于复杂指标，但牺牲了鲁棒性和可解释性。

Comments ACL 2026 Findings

Journal ref Findings of the Association for Computational Linguistics: ACL 2026, 34931-34966. 2026

JTPRO: A Joint Tool-Prompt Reflective Optimization Framework for Language Agents

JTPRO：一种联合工具提示反思优化框架用于语言代理

Sandip Ghoshal, Anshul Mittal, Jyotika Singh, Miguel Ballesteros, Weiyi Sun, Fang Tu, Shailender Singh, Yassine Benajiba, Fahad Shah, Sujeeth Bharadwaj, Sujith Ravi, Dan Roth

机构 * Oracle AI 纠错

AI总结 JTPRO通过迭代反思优化提升工具调用可靠性，通过联合优化全局指令和工具schema，提高多工具环境下的工具选择和参数填充准确性。

Comments Conference: ACL-2026

Journal ref Findings of the {A}ssociation for {C}omputational {L}inguistics: {ACL} 2026

Lizard: An Efficient Linearization Framework for Large Language Models

Lizard：一种高效的大型语言模型线性化框架

Chien Van Nguyen, Huy Nguyen, Ruiyi Zhang, Hanieh Deilamsalehy, Puneet Mathur, Viet Dac Lai, Haoliang Wang, Jayakumar Subramanian, Ryan A. Rossi, Trung Bui, Nikos Vlassis, Franck Dernoncourt, Thien Huu Nguyen

机构 * University of Oregon（俄勒冈大学） ； Adobe Research（Adobe研究院） 纠错

AI总结 Lizard提出一种高效线性化框架，将预训练的Transformer大型语言模型转换为亚二次架构，通过亚二次注意力机制提升计算效率，实现模型质量与内存控制的平衡。

Comments ACL 2026 (Main)

Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pp. 34935-34948 (2026)

A Simple Method to Enhance Pre-trained Language Models with Speech Tokens for Classification

一种通过语音标记增强预训练语言模型用于分类的简单方法

Nicolas Calbucura, Jose Guillen, Valentin Barriere

机构 * Universidad de Chile, DCC（智利大学计算机科学系） ； Universidad Tecnica Santa Maria（圣玛利亚理工大学） 纠错

AI总结 本文提出一种简单方法，通过语音信息增强预训练语言模型以提高分类任务性能，采用多模态词袋表示和自监督语言建模目标，实验证明在论证谬误检测和情感计算任务中效果显著。

Comments Findings of ACL, EMNLP26

TRACE: Evaluating Execution Efficiency of LLM-Based Code Translation

TRACE: 评估基于LLM的代码翻译的执行效率

Zhihao Gong, Zeyu Sun, Dong Huang, Qingyuan Liang, Jie M. Zhang, Dan Hao

AI总结 本文提出TRACE基准，评估LLM翻译代码的执行效率，发现正确性不等于效率，23.5%的正确翻译存在显著低效，提示需更关注效率评估。

Comments Accepted to ACL 2026 (Main Conference)

Correctness Forensics for Batch Speculative Decoding: Diagnosing the Ragged Tensor Problem

正确实现批量推测解码

Ranran Haoran Zhang, Soumik Dey, Ashirbad Mishra, Hansi Wu, Binbin Li, Rui Zhang

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

AI总结 本文提出首个保证输出等价的批量推测解码框架，通过同步不变量和跨批次调度提升吞吐量并保持正确性。

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

CoReflect: A Reflective Co-Evolution Framework for Improving Conversational Evaluation

CoReflect：通过共进化模拟与反思性评分表细化进行对话评估

Yunzhe Li, Richie Yueqi Feng, Tianxin Wei, Chin-Chia Hsu

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 CoReflect通过共进化模拟与反思性评分表细化，实现对话系统的自适应评估，提升测试用例复杂性和评分表精度。

Comments Accepted to Findings of the ACL: EMNLP 2026

AdaFuse: Adaptive Ensemble Decoding with Test-Time Scaling for LLMs

AdaFuse: 用于大语言模型的自适应集成解码与测试时缩放

Chengming Cui, Tianxin Wei, Ziyi Chen, Ruizhong Qiu, Zhichen Zeng, Zhining Liu, Xuying Ning, Duo Zhou, Jingrui He

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 AdaFuse通过自适应集成解码与测试时缩放，提升大语言模型在多种任务上的生成性能。

Comments ACL 2026 Main

Audit Me If You Can: Query-Efficient Active Fairness Auditing of Black-Box LLMs

审计我：查询高效主动公平性审计黑盒大语言模型

David Hartmann, Lena Pohlmann, Lelia Hanslik, Noah Gießing, Bettina Berendt, Pieter Delobelle

机构 * Weizenbaum Institut Berlin（魏泽恩堡研究所柏林） ； Technische Universität Berlin（柏林技术大学） ； FIZ Karlsruhe（卡尔斯鲁厄FIZ） ； KU Leuven（鲁汶大学） ； Aleph Alpha（Aleph Alpha公司） 纠错

AI总结 BAFA通过主动查询减少资源消耗，实现高效黑盒LLM公平性审计

Comments Accepted and published at ACL Findings 2026