期刊&会议
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
超越价值基准：通过对称Q分类测量大型语言模型中的价值结构对齐
机构 * TJUNLP Lab, School of Computer Science and Technology, Tianjin University（天津大学计算机科学与技术学院TJUNLP实验室）
AI总结 提出基于Q方法的对称人机评估框架，通过140项道德陈述的强制分布排序，测量LLM价值结构对齐，发现跨家族异质性和局部错位。
Comments 32 pages, 8 figures, 16 tables; accepted to ACL 2026 Main Conference
扩展性能与低资源标注：面向命名实体识别的多示例上下文学习
机构 * Temple University（天普大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校）
AI总结 本文研究多示例上下文学习在命名实体识别中的扩展性，发现使用数百示例可使LLM匹配甚至超越监督BERT，并利用约百个人工标注示例生成高质量数据，在低资源NER上提升约10% F1。
Comments ACL 2026 Findings
TALAS：基于教师锚定的层对齐与自适应锐度感知最小化的嵌入蒸馏
机构 * Hanoi University of Science and Technology（河内科技大学） ； VNU University of Engineering and Technology（越南国立大学工程与技术大学） ； University of Oregon（俄勒冈大学） ； Monash University（莫纳什大学）
AI总结 提出TALAS框架，通过教师锚定机制仅蒸馏最终句子嵌入到学生上层，结合层对齐自蒸馏和自适应锐度感知最小化，在降低计算成本的同时提升句子嵌入蒸馏性能。
Comments ACL 2026
利用LaBSE与渐进式课程学习进行多元文化极化检测
机构 * Indian Institute of Technology, Kharagpur（印度理工学院卡哈拉格普尔分校） ； Indian Institute of Technology, Madras（印度理工学院马德拉斯分校）
AI总结 提出基于LaBSE嵌入和渐进式课程学习的架构，解决多语言低资源环境下的在线极化检测，在低资源语言上提升macro F1达0.2。
Comments Accepted at Semeval, ACL 2026
PeerMathDial：面向中学生协作数学问题解决的对话数据集
机构 * George Mason University（乔治梅森大学） ； William & Mary（威廉与玛丽学院）
AI总结 为解决现有教育对话数据集缺乏同伴互动的问题，构建了首个来自真实中学数学课堂的同伴协作问题解决对话数据集PeerMathDial，包含55段对话、6406轮次，并基于LLM构建对话行为分类体系，用于分析对话演化、学生特质与行为关联及LLM模拟能力。
Comments 17 pages. Project website (dataset and source code): https://ziyu-yao-nlp-lab.github.io/MathVC-NSF.github.io/. Accepted to the 21st Workshop on Innovative Use of NLP for Building Educational Applications (BEA) co-located at ACL 2026
大型语言模型中的事实检索是一个冗余、分布且非连续的过程
机构 * Bar-Ilan University（巴伊兰大学） ； Northeastern University（东北大学）
AI总结 本文通过属性计算路径分析，发现LLM中事实检索路径非连续、存在多条功能等价路径，表明知识计算高度冗余和分布。
Comments Accepted to ACL 2026 Main Conference
超越“一种语言，一种文字”：用PuMVR量化多语言视觉语言模型中的正字法偏差
机构 * RediMinds Inc.（RediMinds公司） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出PuMVR基准，通过旁遮普语三种文字的图像推理任务，量化多语言视觉语言模型中的文字依赖偏差，发现文字一致性率低至24.8%，视觉输入无法消除偏差。
Comments 22 pages, 4 figures. Accepted to the 4th Workshop on Cross-Cultural Considerations in NLP (C3NLP) @ ACL 2026
P-Check：通过学习生成动态检查清单推进个性化奖励模型
机构 * Department of Artificial Intelligence,Yonsei University（燕京大学人工智能学院）
AI总结 本文提出P-Check框架，通过学习生成动态检查清单来提升个性化奖励模型的准确性，并引入偏好对比准则加权策略以增强个性化生成效果。
Comments ACL 2026 Main
一种用于归纳媒体叙事的结构化聚类方法
机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） ； Independent Researcher（独立研究者）
AI总结 提出结构化聚类方法联合建模事件与角色，自动归纳可解释的叙事模式，无需人工标注即可大规模分析媒体语料。
Comments Accepted to the Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026)
改变思维的观点：LLM 理由影响人类（和 LLM）对合理性的看法
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 研究 LLM 生成的赞成/反对理由如何影响人类和 LLM 对常识基准答案的合理性判断，发现理由能显著改变判断，表明 LLM 可影响人类信念。
Comments ACL 2026 Camera-Ready Version
非线性补丁：大型语言模型中的指令向量
机构 * Ubiquitous Knowledge Processing Lab (UKP Lab)（通用知识处理实验室） ； Department of Computer Science, Technical University of Darmstadt and National Research Center for Applied Cybersecurity ATHENE, Germany（计算机科学系，达姆施塔特技术大学和应用网络安全国家研究中心ATHENE，德国）
AI总结 通过因果中介分析发现指令表示在模型中高度局部化，称为指令向量（IVs），并揭示其线性可分性与非线性因果交互并存，提出一种免于线性假设的新方法定位信息处理，发现IVs作为电路选择器。
Comments Accepted at ACL 2026
Spark: 通过动态分支进行战略性策略感知探索以实现长周期智能体学习
机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学）
AI总结 提出Spark框架，通过关键状态动态分支实现资源高效探索，在长周期任务中以更少样本取得更高成功率和泛化能力。
Comments Accepted by ACL 2026
NeedleChain: 测量大型语言模型的完整上下文理解能力
机构 * Department of Computer Science and Engineering, Korea University（韩国大学计算机科学与工程系）
AI总结 针对现有基准高估LLM上下文理解能力的问题，提出NeedleChain基准，通过全相关上下文测试模型整合所有证据的能力，并引入ROPE收缩策略提升全上下文整合。
Comments ACL2026 - findings
不要告诉答案，真正引导RL Rollout期间的推理
机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Institute of Artificial Intelligence for Education, East China Normal University（华东师范大学教育人工智能研究所） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Ant Group（蚂蚁集团）
AI总结 针对强化学习中任务难度超出模型能力导致奖励稀疏的问题，提出HINT框架，通过元提示和亲和力感知策略优化，提升模型推理能力并保持训练稳定性。
Comments Accepted to Findings of ACL 2026. 19 pages
ProMed：基于Shapley信息增益引导的强化学习用于主动式医疗大语言模型
机构 * National Engineering Research Center of Software Engineering, Peking University, China（软件工程国家工程研究中心，北京大学，中国） ； School of Computer Science, Peking University, Beijing, China（北京大学计算机学院，北京，中国） ； Key Laboratory of High Confidence Software Technologies, Ministry of Education（教育部高可信软件技术重点实验室） ； Peking University Information Technology Institute, Tianjin Binhai, China（北京大学信息技术研究所，天津滨海，中国） ； School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院）
AI总结 提出ProMed框架，通过Shapley信息增益奖励引导强化学习，使医疗大语言模型从被动回答转向主动提问，在部分信息医疗基准上平均提升6.29%。
Comments Accepted to ACL 2026 (Main Conference)
通过印度语言的视角看多语言分词：挑战与洞见
机构 * Department of CSE, Indian Institute of Technology Hyderabad（印度理工学院海得拉巴分校计算机科学与工程系） ； Department of CSE, Indian Institute of Technology Bombay（印度理工学院孟买分校计算机科学与工程系） ； SCEE, Indian Institute of Technology Mandi（印度理工学院曼迪分校软件工程系） ； Adobe Research（Adobe研究）
AI总结 本研究针对17种印度语言，系统评估了子词算法、标准化方法、词汇量及词汇构建策略对多语言分词的影响，发现脚本特定标准化、Unigram LM保留形态边界及聚类词汇构建可提升性能。
Comments Accepted at ACL 2026 (Findings - Long paper)
EquivPruner：通过动作剪枝提升基于LLM的搜索效率与质量
机构 * School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院） ； Department of Data Science, City University of Hong Kong（香港城市大学数据科学系） ； iFLYTEK Research（iFLYTEK研究院）
AI总结 针对LLM搜索中语义等价步骤导致的大量冗余消耗，提出EquivPruner方法，通过剪枝等价动作提升效率，并创建数学等价数据集MathEquiv训练轻量检测器，在多种任务中显著减少token消耗并提高准确性。
Comments Accepted by ACL 2026
连续世界中的涌现通信：概念化词汇的大规模自组织
机构 * Artificial Intelligence Laboratory, Vrije Universiteit Brussel（自由大学布鲁塞尔人工智能实验室） ； Faculté d’informatique, Université de Namur（纳慕尔大学计算机学院）
AI总结 提出一种通用方法，使自主智能体群体通过局部通信涌现出指向环境中任意实体的语言约定，该方法在37个数据集上验证了可扩展性和鲁棒性。
Comments Accepted for publication in Transactions of the Association for Computational Linguistics (TACL)
创建多语言心理健康对话数据集：基于国籍和语言的人物角色本地化方法的局限性
机构 * Pennsylvania State University（宾夕法尼亚州立大学）
AI总结 研究通过修改人物角色中的国籍和语言参数生成中文、孟加拉语和印地语临床对话，发现仅添加这些参数会导致跨语言临床不一致，且LLM评估非英语文本的抑郁严重度时存在不准确性。
Comments 15 pages, 4 figures. Accepted to the 2026 Workshop on Computational Linguistics and Clinical Psychology (CLPsych 2026), co-located with ACL 2026
量化上下文学习中的偶然不确定性以稳健衡量LLM预测置信度
机构 * POSTECH（浦项科技大学）
AI总结 针对上下文学习（ICL）中预测对提示设计敏感的问题，提出基于贝叶斯观点和机制可解释性的自函数向量，直接估计偶然不确定性，并设计严格评估协议，在合成和真实数据集上验证了方法的可靠性及在幻觉检测等应用中的实用性。
Comments Accepted to ACL 2026
大规模手语数据集：资源、基准和标注标准的综合调查
机构 * Tacoma School of Engineering & Technology, University of Washington（华盛顿大学塔科马工程与技术学院）
AI总结 本文调查了35种手语的120个数据集，分析了模态不平衡、标注粒度和手语者偏差等挑战，并提出了24字段手语数据表以支持标准化文档和可复现评估。
Comments Accepted to ACL 2026 Main. 27 pages, 5 figures
治疗性药物-疾病关系的适用条件提取
机构 * The University of Osaka（大阪大学） ； RIKEN（理化学研究所） ； Institute of Science Tokyo（东京科学大学） ； Tohoku University（东北大学）
AI总结 提出从生物医学文献中提取药物-疾病治疗关系适用条件的任务，构建首个手动标注数据集，并改进LoRA方法以考虑药物与疾病间关系，在多个评估设置中优于基线。
Comments Accepted to Findings of ACL 2026
质量优于点击：面向早期电商查询建议的迭代强化学习
机构 * Alibaba International Digital Commercial Group（阿里巴巴国际数字商业集团）
AI总结 针对早期部署场景点击反馈稀疏的问题，提出质量优先的迭代强化学习框架QualEQS，从可回答性、事实性和信息增益三个维度优化查询建议质量，通过候选建议的组级分歧识别模糊上下文并挖掘难例进行迭代改进，在真实电商系统中ChatPV提升6.81%。
Comments Submitted to ACL 2026 Industry Track
DeFrame: 消除大语言模型中的框架效应偏差
机构 * KAIST（韩国科学技术院）
AI总结 针对大语言模型在语义等价但不同表述的提示下产生不一致偏见的问题，提出框架感知的去偏方法，通过量化框架差异并增强跨框架一致性，有效降低整体偏见并提升鲁棒性。
Comments Accepted to Findings of ACL 2026
通过可引导的模型合并增强多语言推理
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Fudan University（复旦大学） ； Beihang University（北京航空航天大学） ； Monash University（墨尔本大学） ； Zhongguancun Laboratory（中关村实验室） ； Nanjing University（南京大学） ； Tsinghua University（清华大学）
AI总结 提出可引导模型合并（ST-Merge）框架，通过门控交叉注意力机制自适应调节源模型贡献，在多语言推理任务中优于强基线。
Comments 12 pages, 7 figures, 8 tables. Accepted by ACL2026 Findings
G-IdiomAlign：基于释义的跨语言习语对齐基准
机构 * NLP 2 CT Lab, Department of Computer and Information Science, University of Macau（NLP 2 CT实验室，计算机与信息科学系，澳门大学） ； Faculty of Arts and Humanities, University of Macau（人文学院，澳门大学）
AI总结 提出G-IdiomAlign基准，通过维基词典释义锚定习语，构建高置信度对齐集，并设计多项选择等价测试和释义对比生成协议，揭示大语言模型在习语翻译中的字面翻译偏差。
Comments Accepted to ACL 2026
像火箭科学一样简单：评估大型语言模型解释比喻语言中否定能力的研究
机构 * Intelligent Systems Lab University of Bristol（智能系统实验室 英国布里斯托尔大学） ； ILLC University of Amsterdam（阿姆斯特丹大学语言学研究所）
AI总结 本研究通过开发新的注释数据集，测试多种大型语言模型在比喻语言中理解否定的能力，发现否定与比喻的组合对模型构成挑战，且性能高度依赖提示风格。
Comments 16 pages, 16 figures; for associated code and data see https://github.com/jrdowers/Negation-and-Fig-Lang; To be published in Transactions of the Association for Computational Linguistics
PEC-Home：智能家居中渐进式省略命令的解释
机构 * Beijing Institute of Technology（北京理工大学） ； Beihang University（北京航空航天大学） ； Baidu Inc.（百度公司）
AI总结 针对智能家居中用户因共享上下文而使用渐进式省略命令导致的指代和意图歧义问题，提出首个模拟家庭数据集PEC-Home，实验表明现有LLM助手难以准确执行省略命令。
Comments Accepted by ACL 2026 Findings
BCL：面向信息抽取的贝叶斯上下文学习框架
机构 * HiThink Research（海天瑞声研究） ； University College London（伦敦大学学院） ； University of Edinburgh（爱丁堡大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； East China Normal University（华东师范大学） ； Shanghai Medical Image Insights（上海医学影像洞察） ； University of Waterloo（滑铁卢大学） ； University of Washington（华盛顿大学） ； Beijing Institute of Technology（北京理工大学）
AI总结 提出BCL框架，利用贝叶斯更新和粒子滤波优化信息抽取中的上下文学习，在序列标注和关系分类任务上取得显著提升。
Comments ACL 2026 Findings
跨语言数学问题的LLM参数：共享还是分离？
机构 * Lamarr Institute（Lamarr研究所） ； University of Bonn（波恩大学） ； Fraunhofer IAIS（弗劳恩霍夫智能分析和信息系统研究所）
AI总结 通过跨语言机制分析，发现多语言LLM中数学相关参数存在部分跨语言重叠，且主要集中在中间层，英语参数集最大，低资源语言参数集较小。
Comments 5 pages. Accepted at ACL Student Research Workshop (SRW) 2026. Code: https://github.com/luisavictor/math-across-languages Translated Datasets: https://huggingface.co/math-across-languages Webpage: https://math-across-languages.github.io
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