期刊&会议
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
EXCEEDS: 通过基于线索块的网格建模在科学领域中提取复杂事件
机构 * Beijing Institute of Technology（北京理工大学） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 针对科学领域事件密集、信息形式复杂的特点，构建大规模多事件文档级数据集SciEvents，并提出端到端框架EXCEEDS，将密集线索块编码为网格矩阵，简化复杂事件提取为基于线索块的网格建模任务，取得最优性能。
Comments Accepted by ACL 2026 Main Conference, Oral
CharTide: 数据中心的图表到代码生成通过三视角微调和查询驱动进化
机构 * Nanjing University（南京大学） ； LLM Team, Shopee Pte. Ltd.（Shopee 联邦学习团队） ； East China Normal University（华东师范大学） ； Nanjing University of Science and Technology（南京理工大学） ； Central South University（中南大学）
AI总结 提出CharTide框架，通过三视角微调解耦视觉感知与代码逻辑，并引入基于信息不变性的查询驱动强化学习进行数据验证，在多个基准上超越GPT-4o。
Comments Accepted to ACL 2026 Main
不耐烦的用户混淆AI智能体：用于测试智能体的高保真人类特质模拟
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出TraitBasis方法，通过控制用户特质向量（如不耐烦、不连贯）对AI智能体进行压力测试，发现性能下降2%-30%，揭示当前智能体对用户行为变化的脆弱性。
Comments ACL 2026 [Oral]
参数化知识并非全部：通过检索预训练数据实现诚实的语言模型
机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系）
AI总结 针对大语言模型在知识不足时产生幻觉的问题，提出利用公开预训练数据构建更鲁棒的诚实性评估基准，并设计检索预训练数据的方法提升模型诚实性。
Comments Findings of ACL 2026
ChartAgent: 一种用于复杂图表问答中视觉基础推理的多模态智能体
机构 * J.P. Morgan AI Research（摩根大通人工智能研究）
AI总结 提出ChartAgent框架，通过迭代分解查询为视觉子任务并利用图表专用视觉工具（如绘制注释、裁剪区域）进行空间域推理，在ChartBench和ChartX上取得最先进性能，尤其对无标注图表提升显著。
Comments Accepted at ACL 2026 (Main Conference). Also presented as an oral paper at the NeurIPS 2025 Multimodal Algorithmic Reasoning Workshop (https://marworkshop.github.io/neurips25/)
TruthSplit：通过多视角推理实现论证中的条件有效性操作化
机构 * University of St. Gallen（圣加仑大学）
AI总结 提出TruthSplit系统，通过三层自然语言推理和结构化世界观档案，实现基于不同视角的论证条件有效性分析，识别价值冲突与假设差异。
Comments Demo paper. To appear at ACL 2026
SEF-CLGC在SemEval-2026任务11中的应用：逻辑符号对语言模型性能的影响
机构 * Université Côte d’Azur, Inria, CNRS, I3S, Sophia Antipolis, France（蔚蓝海岸大学, 法国国家信息与自动化研究所, 法国国家科学研究中心, 信息与系统科学实验室, 索菲亚安蒂波利斯, 法国） ； Data ScienceTech Institute, Paris, France（数据科学技术学院, 巴黎, 法国）
AI总结 本文提出SEF-CLGC管道，结合形式逻辑符号与小语言模型，在SemEval-2026任务11中评估推理性能，最佳模型在降低内容偏差的同时达到27.80%的内容分数。
Comments Accepted to SemEval-2026 co-located with ACL 2026
语言感知令牌增强：无需微调的大语言模型语言混淆减少
机构 * SCB DataX ； Tsinghua University（清华大学） ； SCBX
AI总结 提出无需微调的语言混淆减少方法，通过语言感知令牌增强（LATB）和自适应版本（Adaptive-LATB）对目标语言令牌施加扰动，有效提升多语言对齐并保持摘要质量。
Comments ACL2026 Main Conference
PaperMentor：面向Overleaf的AI研究论文写作人本多智能体辅导系统
机构 * CMU（卡内基梅隆大学） ； Jinesis Lab, University of Toronto & Vector Institute（Jinesis实验室，多伦多大学与向量研究所） ； EuroSafeAI ； ETHZ（苏黎世联邦理工学院） ； EPFL（洛桑联邦理工学院） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（马克斯·普朗克智能系统研究所，德国图宾根）
AI总结 提出PaperMentor，一种在Overleaf中提供内联建议的人本写作助手，通过专家技能库和12个专业智能体提供可操作反馈，用户研究中90.6%建议被认为可操作。
Comments Accepted to the ACL 2026 Demo Track
更多废话，更少意义：揭示小语言模型中的自我改进行为
机构 * American University of Armenia（亚美尼亚美国大学） ； NVIDIA（英伟达）
AI总结 本研究通过构建充分性测试，发现小语言模型在自我纠正中仅获得4.4%的准确率提升，且较长的提示反而与错误答案正相关，表明其推理能力有限。
Comments GEM Workshop at ACL 2026
理解阿拉伯语X社区中心理健康话语的社会文化维度
机构 * King Saud University（沙特国王大学） ； Cairo University（开罗大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 通过GPT-4.1识别个人披露的推特用户，分析边缘型人格障碍、双相障碍和ADHD相关话语，发现不同病症的词汇模式差异，提出可复用的LLM辅助披露流程和文化关键词框架。
Comments Accepted to the SMM4H-HeaRD Workshop, co-located with the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026)
多模态基础模型中的测试时扩展：生成与推理的综合调查
机构 * Sun Yat-sen University（中山大学）
AI总结 本文首次系统综述多模态基础模型中的测试时扩展（TTS）方法，提出统一分类框架（采样、反馈、搜索三类），总结应用与基准，并讨论未来方向。
Comments Accepted by ACL 2026, Findings
解耦语义与逻辑：一种无需训练的从粗到精的视频检索增强生成流水线
机构 * School of Computer Science & Tech, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院） ； School of AI and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）
AI总结 提出一种无需训练的两阶段级联视频RAG流水线，通过解耦语义检索与逻辑推理，实现跨语言长视频理解、严格角色遵循和零幻觉时间定位。
Comments To be presented at ACL 2026 MAGMAR Workshop (Oral; Retrieval leaderboard No.1)
多语言拒绝对齐：构建更安全的大型语言模型
机构 * NASK National Research Institute（国家研究 institute） ； University College London（伦敦大学学院）
AI总结 本研究系统探究多语言对齐动态，通过引入覆盖12种欧洲语言的RefusEU数据集和DPO实验，发现仅用英语对齐不足以保障跨语言安全，而多语言训练可在不降低通用性能的前提下提升安全性。
Comments Accepted to Findings ACL 2026
mllm-shap：面向文本-音频多模态大语言模型的Shapley值可解释性平台
机构 * Warsaw University of Technology（华沙理工大学）
AI总结 提出mllm-shap框架，通过模态感知掩码、多轮对话追踪和音素对齐分组技术，将Shapley值可解释性扩展到文本-音频多模态大语言模型，并实现10-50倍的计算加速。
Comments Submitted to ACL2026
CAPruner: 概念相邻场景图剪枝器以增强大语言模型的3D空间推理
机构 * Southern University of Science and Technology（南方科技大学） ； SpatialTemporal AI（时空人工智能）
AI总结 提出概念相邻场景图剪枝器(CAPruner)，通过融合模糊语义相关性和空间邻近性估计关系重要性，在任务特定上下文中选择关键关系，避免关系级标注，显著提升大语言模型在3D视觉语言任务上的空间推理性能。
Comments Accepted by ACL 2026 Main Conference
GraphLoRA: 面向大语言模型推荐的结构感知低秩适配
机构 * Anhui University（安徽大学） ； Hefei University（合肥大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出GraphLoRA框架，通过在低秩适配路径中嵌入可训练的图消息传递网络，实现结构信号传播，从而深度融合图结构与文本语义，提升LLM推荐性能。
Comments ACL 2026 findings
TinyJudge: 通过轻量级专家集成实现不可验证约束对齐
机构 * Harbin Institute of Technology SCIR Lab（哈尔滨工业大学SCIR实验室） ； Peking University（北京大学） ； Huawei Technologies Co., Ltd（华为技术有限公司）
AI总结 针对LLM遵循不可验证约束时奖励黑客和计算开销大的问题，提出TinyJudge框架，利用多个小型语言模型集成提供奖励，在五个基准上平均性能提升约10%，奖励精度提升12%，训练速度提升3倍。
Comments ACL 2026 Main Conference;15 pages, 9 figures
MOOSE-Copilot：一个基于网络的交互式助手，用于统一探索性和细粒度科学假设发现
机构 * Central Conservatory of Music（中央音乐学院） ； Nanyang Technological University（南洋理工大学）
AI总结 提出MOOSE-Copilot，通过形式化的人机交互协议，将发散性探索和收敛性细化统一，利用蓝图、路由和反馈三种信号引导生成，显著优于纯自主基线。
Comments Accepted to ACL 2026 (System Demonstrations)
SecureVibeBench: 通过重建引入漏洞的场景来基准测试AI代理的安全振动编码
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出SecureVibeBench，一个包含105个C/C++安全编码任务的基准测试，旨在评估AI代理在真实场景中生成安全代码的能力，发现现有方法在评估人类与AI代理对比时的不足。
Comments ACL 2026 Main Conference. Our code and data are on https://github.com/iCSawyer/SecureVibeBench
相似度-距离-幅度激活函数
机构 * Reexpress AI
AI总结 本文提出SDM激活函数，通过引入相似度和距离意识提升softmax的鲁棒性和可解释性，并通过密集匹配实现基于实例的可解释性。SDM估计器通过数据驱动的CDF分区控制分类准确性，优于现有校准方法。
Comments Accepted to Findings of the Association for Computational Linguistics: ACL 2026. 21 pages, 8 tables, 1 algorithm. arXiv admin note: substantial text overlap with arXiv:2502.20167
HARPO：面向用户对齐的对话推荐的分层代理推理
AI总结 HARPO通过分层代理推理框架优化多维推荐质量，结合上下文依赖的偏好学习、 deliberative树搜索和领域无关的推理抽象，提升推荐质量与用户对齐性。
Comments Accepted at the Annual Meeting of the Association for Computational Linguistics (ACL 2026)
大规模多语言联合分割与标注
机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对现有神经标注模型缺乏形态边界预测导致可解释性差的问题，提出PolyGloss模型，通过联合分割与标注提升准确性和对齐度，并支持低秩适应快速迁移。
Comments 15 pages, 9 figures, accepted to ACL 2026 Long Papers
有限状态转换器的神经归纳
机构 * University of Colorado（科罗拉多大学） ； New College of Florida（佛罗里达新学院）
AI总结 提出基于循环神经网络隐藏状态几何自动构建无权重有限状态转换器的方法，在形态变化、音素转换等任务上准确率优于传统算法达87%。
Comments 15 pages, 8 figures, accepted to ACL 2026 Findings
多模态生成式引擎优化：针对视觉-语言模型排序器的排名操纵
机构 * Georgetown University（乔治城大学） ； University of Southern California（南加州大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Arizona State University（亚利桑那州立大学）
AI总结 提出多模态生成式引擎优化（MGEO）方法，通过联合优化图像扰动和文本后缀，利用视觉-语言模型内部跨模态知识耦合，实现对产品排名的有效操纵，揭示了多模态基础模型知识基础的脆弱性。
Comments Proceedings of the 4th Workshop on Towards Knowledgeable Foundation Models (KnowFM) at ACL 2026
弱化形式语义下的基准语言理解
机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； School of Fundamental Science and Engineering（基础科学与工程学院） ； Waseda University（早稻田大学）
AI总结 提出可计算表示方法，通过外部知识检索提取可执行代码，在数学推理、多步推理等基准上超越纯文本推理和单次代码执行，提供可扩展、可检查的语义证据。
Comments Accepted to Transactions of the Association for Computational Linguistics (TACL). 29 pages, 5 figures
打破知识的诅咒：为实时在线会议设计个性化术语支持
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Fujitsu Research of America（富士通美国研究）
AI总结 提出ParseJargon系统，利用用户画像和会话内反馈实现个性化术语识别，提升在线会议中跨学科听众的理解和参与度。
Comments Portions of this work appeared in CHI '26 Extended Abstracts ("Breaking the Curse of Knowledge: Toward Personalized Jargon Support in Online Meetings") and ACL '26 System Demonstrations ("ParseJargon: Personalized Real-time Jargon Support in Online Meetings")
利用语言模型助手发现自杀预防的干预机会
AI总结 研究利用语言模型作为高效助手，辅助国家暴力死亡报告系统（NVDRS）的数据标注和专家工作，发现模型在50个变量上约85%的标注一致，38%的不一致可通过专家审查发现标注差异，并引入人机协同算法优化新变量标注流程。
Comments Project Website: https://dill-lab.github.io/interventions_lm_assistants/
Journal ref In Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics, 2026
基于监督与基于演示的上下文学习在多词表达分类中的比较
机构 * University of Chicago（芝加哥大学） ； Fırat University（费拉特大学）
AI总结 研究土耳其语多词表达分类，对比监督基线（BERTurk）与指令微调LLM在零样本、单样本和少样本提示下的表现，发现提示敏感性和演示偏差影响显著。
Comments Accepted to ACL SRW 2026
Phun-Bench：评估大语言模型的中文语音理解能力
机构 * Zhejiang University（浙江大学）
AI总结 提出Phun-Bench基准，通过同音、押韵和语音相似性三个维度系统评估大语言模型的语音理解能力，发现模型在灵活运用语音知识方面存在不足。
Comments Accepted to ACL 2026 Main Conference
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