ACL

When Personalization Tricks Detectors: The Feature-Inversion Trap in Machine-Generated Text Detection

当个性化技巧欺骗检测器：机器生成文本检测中的特征反向陷阱

Lang Gao, Xuhui Li, Chenxi Wang, Mingzhe Li, Wei Liu, Zirui Song, Jinghui Zhang, Rui Yan, Preslav Nakov, Xiuying Chen

机构 * MBZUAI ； ByteDance（字节跳动） ； National University of Singapore（新加坡国立大学） ； Wuhan University（武汉大学） 纠错

AI总结 本文提出了一种检测器在个性化文本中性能变化的预测方法，揭示了特征反向陷阱对检测器鲁棒性的影响，并通过实验验证了该方法的有效性。

Comments Oral of ACL 2026

Crosscoding Through Time: Tracking Emergence & Consolidation Of Linguistic Representations Throughout LLM Pretraining

时间交叉编码：在LLM预训练过程中追踪语言表示的出现与巩固

Deniz Bayazit, Aaron Mueller, Antoine Bosselut

机构 * EPFL（瑞士联邦理工学院） ； Boston University（波士顿大学） 纠错

AI总结 通过稀疏交叉编码器追踪LLM预训练中语言表示的演变，引入RelIE指标分析特征对任务性能的因果影响，实现对表示学习的可解释性分析。

Comments Accepted to ACL 2026

SHAPE: Unifying Safety, Helpfulness and Pedagogy for Educational LLMs

SHAPE：统一安全、帮助性和教学法以用于教育LLM

Sihang Zhao, Kangrui Yu, Youliang Yuan, Pinjia He, Hongyi Wen

机构 * Center for Data Science, New York University Shanghai（纽约大学上海数据科学中心） ； Courant Institute of Mathematical Sciences, New York University（纽约大学Courant数学科学研究所） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） 纠错

AI总结 本文提出SHAPE基准，通过知识掌握图统一安全、帮助性和教学行为，改进教育LLM在对抗压力下的安全性和帮助性。

Comments ACL 2026 Main

Tree-of-Evidence: Efficient "System 2" Search for Faithful Multimodal Grounding

证据树：高效的'系统2'搜索用于忠实的多模态接地

Micky C. Nnamdi, Benoit L. Marteau, Yishan Zhong, J. Ben Tamo, May D. Wang

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出Tree-of-Evidence算法，通过离散优化问题实现多模态模型的可解释性，通过证据瓶颈和束搜索生成可审计的证据集，保留高预测性能并提升决策一致性。

Journal ref ACL 2026 Findings

Reasoning Gets Harder for LLMs Inside A Dialogue

在对话中LLM的推理变得更难

Ivan Kartáč, Mateusz Lango, Ondřej Dušek

机构 * Charles University, Faculty of Mathematics and Physics（查理大学数学与物理系） ； Institute of Formal and Applied Linguistics（形式与应用语言学研究所） 纠错

AI总结 本文研究了在对话场景中LLM的推理能力，通过BOULDER基准测试发现，对话环境显著影响LLM性能，揭示了对话多轮交互对推理能力的挑战。

Comments Accepted at ACL 2026 (Main)

Teaching LLM to be Persuasive: Reward-Enhanced Policy Optimization for Alignment from Heterogeneous Rewards

教LLM变得有说服力：来自异质奖励的强化学习后训练政策优化

Xia Zeng, Yihan Chen, Luhui Liu, Chao Luo, Ye Chen, Zhuoran Zhuang

机构 * Fliggy Alibaba（飞猪阿里） 纠错

AI总结 本文提出REPO方法，通过结合偏好训练奖励模型、LLM作为判断者和规则奖励函数，提升在线旅行社的价格谈判对话质量，实验显示在对话评分、优秀回应比例和坏案例修复率上均有显著提升。

Comments accepted by ACL 2026 indusry track

ProxyPrompt: Securing System Prompts against Prompt Extraction Attacks

ProxyPrompt：抵御提示提取攻击的系统提示安全机制

Zhixiong Zhuang, Maria-Irina Nicolae, Hui-Po Wang, Mario Fritz

AI总结 本文提出ProxyPrompt，通过替换原始提示以防止提示泄露，有效保护94.70%的提示免受提取攻击，优于现有防御方法。

Comments Accepted as Findings of ACL 2026.Code: https://github.com/boschresearch/proxyprompt

Is Human-Like Text Liked by Humans? Multilingual Human Detection and Preference Against AI

人类风格的文本是否受到人类欢迎？多语言人类检测与对抗AI的偏好

Yuxia Wang, Rui Xing, Jonibek Mansurov, Giovanni Puccetti, Zhuohan Xie, Minh Ngoc Ta, Jiahui Geng, Jinyan Su, Mervat Abassy, Saad El Dine Ahmed, Kareem Elozeiri, Nurkhan Laiyk, Maiya Goloburda, Tarek Mahmoud, Raj Vardhan Tomar, Alexander Aziz, Ryuto Koike, Masahiro Kaneko, Artem Shelmanov, Ekaterina Artemova, Vladislav Mikhailov, Akim Tsvigun, Alham Fikri Aji, Nizar Habash, Iryna Gurevych, Preslav Nakov

机构 * MBZUAI ； Nebius AI ； KU Leuven ； University of Oslo（奥斯陆大学） ； ISTI-CNR ； Toloka AI ； New York University Abu Dhabi（纽约大学阿布扎比分校） ； BKAI Research Center, Hanoi University of Science and Technology（BKAI研究所以内大学科学技术大学） ； Cornell University（康奈尔大学） ； Zewail City of Science and Technology（泽韦尔科学与技术城） ； TU Darmstadt（图鲁姆大学） ； CIC, University of Delhi（CIC，德里大学） ； Alexandria University（亚历山大大学） ； University of Florida（佛罗里达大学） ； Institute of Science Tokyo（东京科学研究院） 纠错

AI总结 研究通过多语言多领域数据集验证人类识别AI生成文本的准确性，发现人类检测准确率达87.6%，挑战原有结论，指出人类与机器文本在具体性、文化细微差别和多样性上的差距，提示明确提示可部分弥补这些差距。

Comments ACL 2026 Main

OCR-Memory: Optical Context Retrieval for Long-Horizon Agent Memory

OCR-Memory：光学上下文检索用于长周期智能体记忆

Jinze Li, Yang Zhang, Xin Yang, Jiayi Qu, Jinfeng Xu, Shuo Yang, Junhua Ding, Edith Cheuk-Han Ngai

机构 * The University of Hong Kong（香港大学） ； University of North Texas（北得克萨斯大学） ； University of Tsukuba（筑波大学） ； Yonsei University（延世大学） 纠错

AI总结 OCR-Memory通过视觉模态高密度表示智能体经验，实现长周期记忆存储与检索，减少token消耗并提升证据恢复准确性。

Comments Accepted to ACL 2026 (Main Conference)

TLPO: Token-Level Policy Optimization for Mitigating Language Confusion in Large Language Models

TLPO：基于令牌级别的策略优化以缓解大语言模型中的语言混淆

Jinho Choo, JunSeung Lee, Jimyeong Kim, Yeeho Song, S. K. Hong, Yeong-Dae Kwon

机构 * Samsung SDS（三星SDS） 纠错

AI总结 本文提出TLPO，通过令牌级优化缓解大语言模型中的语言混淆问题，通过局部更新提升语言一致性，同时保持下游任务准确性。

Comments Accepted to the main conference of ACL 2026

Tree-of-Text: A Tree-based Prompting Framework for Table-to-Text Generation in the Sports Domain

树-文本：一种基于树的提示框架，用于体育领域中的表格到文本生成

Shang-Hsuan Chiang, Tsan-Tsung Yang, An-Zi Yen, Wen-Chih Peng

机构 * National Yang Ming Chiao Tung University 纠错

AI总结 本文提出Tree-of-Text框架，通过三阶段生成过程提升表格到文本生成的精度与效率，在多个体育数据集上表现优异。

Comments Accepted by ACL SRW 2025: Long Paper (Oral)

CO-EVO: Co-evolving Semantic Anchoring and Style Diversification for Federated DG-ReID

CO-EVO: 用于联邦域泛化的语义锚定与风格多样化协同进化

Fengchun Zhang, Qiang Ma, Liuyu Xiang, Jinshan Lai, Tingxuan Huang, Jianwei Hu

机构 * School of Information and Software Engineering, University of Electronic Science and Technology of China（电子科技大学信息与软件学院） ； QiYuan Lab（启元实验室） ； School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； School of Software, Tsinghua University（清华大学软件学院） 纠错

AI总结 本文提出CO-EVO框架，通过语义净化与风格扩展的协同机制，解决联邦域泛化中因客户端风格差异导致的语义冲突问题，实现跨域泛化性能提升。

Comments Accepted at ACL 2026 (Main Conference)

StratMem-Bench: Evaluating Strategic Memory Use in Virtual Character Conversation Beyond Factual Recall

StratMem-Bench：评估虚拟角色对话中的战略记忆使用超越事实回忆

Yerong Wu, Tianxing Wu, Minghao Zhu, Hangyu Sha, Haofen Wang

机构 * School of Computer Science and Engineering, Southeast University, China（东南大学计算机科学与工程学院，中国） ； Key Laboratory of New Generation Artificial Intelligence Technology and its Interdisciplinary Applications (Southeast University), Ministry of Education, China（新一代人工智能技术及其交叉应用国家重点实验室（东南大学），中华人民共和国教育部，中国） ； College of Design and Innovation, Tongji University, China（同济大学设计与创新学院，中国） 纠错

AI总结 StratMem-Bench旨在评估虚拟角色对话中战略记忆的使用，通过异构记忆池测试角色在不同记忆类型间的决策能力，提出多种评估指标以衡量记忆整合与利用效果。

Comments 20 pages, accepted by ACL 2026 (main)

SciMDR: Advancing Scientific Multimodal Document Reasoning

SciMDR：推动科学多模态文档推理

Ziyu Chen, Yilun Zhao, Chengye Wang, Rilyn Han, Manasi Patwardhan, Arman Cohan

机构 * Yale University（耶鲁大学） 纠错

AI总结 本文提出SciMDR数据集，通过合成与重嵌框架生成大规模多模态文档推理数据，提升科学问答任务的复杂度和真实性。

Comments ACL 2026

Verified Critical Step Optimization for LLM Agents

用于大语言模型代理的验证关键步骤优化

Mukai Li, Qingcheng Zeng, Tianqing Fang, Zhenwen Liang, Linfeng Song, Qi Liu, Haitao Mi, Dong Yu

机构 * Tencent AI Lab（腾讯AI实验室） ； The University of Hong Kong（香港大学） ； Northwestern University（西北大学） 纠错

AI总结 本文提出CSO方法，通过验证关键步骤进行强化学习，以提升代理在复杂任务中的表现，实验显示其在GAIA-Text-103和XBench-DeepSearch上优于SFT基线。

Comments ACL 2026 Findings

HER: Human-like Reasoning and Reinforcement Learning for LLM Role-playing

HER：面向大语言模型角色扮演的人类级推理与强化学习

Chengyu Du, Xintao Wang, Aili Chen, Weiyuan Li, Rui Xu, Junteng Liu, Zishan Huang, Rong Tian, Zijun Sun, Yuhao Li, Liheng Feng, Deming Ding, Pengyu Zhao, Yanghua Xiao

机构 * Fudan University（复旦大学） ； MiniMax 纠错

AI总结 本文提出HER框架，通过双层推理和人类对齐的奖励模型，提升大语言模型在角色扮演中的认知模拟能力，实验表明其在CoSER和Minimax Role-Play Bench上显著优于基线模型。

Comments Findings of ACL, 2026

Inference-Time Scaling of Verification: Self-Evolving Deep Research Agents via Test-Time Rubric-Guided Verification

推理时的验证扩展：通过测试时的评分指南验证实现自我进化深度研究代理

Yuxuan Wan, Tianqing Fang, Zaitang Li, Yintong Huo, Wenxuan Wang, Haitao Mi, Dong Yu, Michael R. Lyu

机构 * The Chinese University of Hong Kong（香港中文大学） ； Tencent AI Lab（腾讯人工智能实验室） ； Singapore Management University（新加坡管理学院） ； The Renmin University of China（中国人民大学） 纠错

AI总结 本文提出通过测试时评分指南验证实现深度研究代理的自我进化，通过迭代验证策略模型输出，提升验证能力，实验显示在GAIA和XBench-DeepSearch上准确率提升8%-11%。

Comments ACL'2026-Findings

Autonomous Knowledge Graph Exploration with Adaptive Breadth-Depth Retrieval

自主知识图谱探索与自适应广度-深度检索

Joaquín Polonuer, Lucas Vittor, Iñaki Arango, Ayush Noori, David A. Clifton, Luciano Del Corro, Marinka Zitnik

机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Departamento de Computación, FCEyN, Universidad de Buenos Aires（布宜诺斯艾利斯大学计算机系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏州市先进研究中心） ； ELIAS Lab, Departamento de Ingeniería, Universidad de San Andrés（圣安德鲁大学工程系ELIAS实验室） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Allston, MA, USA（自然与人工智能研究所，马萨诸塞州阿利斯顿） ； Broad Institute of MIT and Harvard, Cambridge, MA, USA（MIT和哈佛大学Broad研究所） ； Harvard Data Science Initiative, Cambridge, MA, USA（哈佛大学数据科学倡议） 纠错

AI总结 本文提出ARK工具，通过全局词搜索和邻域探索平衡知识图谱的广度与深度检索，提升多跳遍历效率，在STaRK上达到59.1%的平均Hit@1和67.4的平均MRR，优于其他方法。

Comments Accepted at ACL 2026 Main Conference

Glance-or-Gaze: Incentivizing LMMs to Adaptively Focus Search via Reinforcement Learning

glance-or-gaze: 通过强化学习激励大 multimodal 模型适应性聚焦搜索

Hongbo Bai, Yujin Zhou, Yile Wu, Chi-Min Chan, Pengcheng Wen, Kunhao Pan, Sirui Han, Yike Guo

机构 * Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 本文提出 glanco-or-gaze 框架，通过强化学习使大 multimodal 模型主动规划视觉搜索，通过选择性注视和复杂度自适应强化学习提升复杂视觉查询性能。

Journal ref ACL 2026 Findings

Student Guides Teacher: Weak-to-Strong Inference via Spectral Orthogonal Exploration

学生指导教师：通过频谱正交探索实现弱到强推断

Dayu Wang, Jiaye Yang, Weikang Li, Jiahui Liang, Yang Li, Deguo Xia, Jizhou Huang

机构 * Baidu Inc.（百度公司） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出Spectral Orthogonal Exploration框架，通过正交探针引入语义异质性推理信号，提升数学推理任务的准确率和采样效率。

Comments Accepted to ACL 2026 Main Conference

SLIM: Stealthy Low-Coverage Black-Box Watermarking via Latent-Space Confusion Zones

SLIM：通过潜在空间混淆区实现隐蔽的低覆盖率黑盒水印

Hengyu Wu, Yang Cao

AI总结 SLIM通过利用LLM内在属性诱导潜在空间混淆区，实现低覆盖率黑盒数据溯源验证，兼具隐蔽性与模型实用性，提供现代LLM流水线中保护训练数据的稳健解决方案。

Comments Accept the findings of ACL 2026

Stress Testing Factual Consistency Metrics for Long-Document Summarization

对长文档摘要的事实一致性度量进行压力测试

Zain Muhammad Mujahid, Dustin Wright, Isabelle Augenstein

机构 * University of Copenhagen（哥本哈根大学） 纠错

AI总结 本文评估了六个常用无参考事实性度量在长文档摘要中的可靠性，发现短形式度量在处理信息密集型声明时可靠性下降，提出改进方向包括多跨度推理、上下文感知校准和训练保留意义的变体。

Comments Accepted in Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026)

Structured and Abstractive Reasoning on Multi-modal Relational Knowledge Images

多模态关系知识图像上的结构化与抽象推理

Yichi Zhang, Zhuo Chen, Lingbing Guo, Wen Zhang, Huajun Chen

机构 * Zhejiang University（浙江大学） ； Zhejiang University - Ant Group Joint Laboratory of Knowledge Graph（浙江大学-蚂蚁集团知识图谱联合实验室） 纠错

AI总结 本文提出STAR-64K数据集及两阶段增强框架，通过合成多模态指令数据提升模型在抽象推理任务中的性能，实验表明小型模型在STAR任务中超越GPT-4o。

Comments Accepted by Findings of ACL 2026

Saber: An Efficient Sampling with Adaptive Acceleration and Backtracking Enhanced Remasking for Diffusion Language Model

Saber: 一种高效的采样方法，具有自适应加速和回溯增强的重新遮蔽，用于扩散语言模型

Yihong Dong, Zhaoyu Ma, Xue Jiang, Zhiyuan Fan, Jiaru Qian, Yongmin Li, Jianha Xiao, Zhi Jin, Rongyu Cao, Binhua Li, Fei Huang, Yongbin Li, Ge Li

机构 * School of Computer Science, Peking University（北京大学计算机科学系） ； Tongyi Lab, Alibaba Group（阿里云实验室） 纠错

AI总结 本文提出Saber算法，通过动态调整每步未遮蔽令牌数量和回溯机制提升代码生成的推理速度和输出质量，实验显示在多个基准上Pass@1准确率提升1.9%，推理速度提升251.4%。

Comments Accepted to ACL 2026 (main)

When Annotators Disagree, Topology Explains: Mapper, a Topological Tool for Exploring Text Embedding Geometry and Ambiguity

当标注者意见不一致时，拓扑解释：Mapper，一种用于探索文本嵌入几何和模糊性的拓扑工具

Nisrine Rair, Alban Goupil, Valeriu Vrabie, Emmanuel Chochoy

机构 * CReSTIC, Université de Reims Champagne-Ardenne（里摩日大学CReSTIC研究所） ； Chochoy Conseil（Chochoy咨询公司） 纠错

AI总结 本文提出用拓扑方法分析模型如何编码模糊性，通过Mapper工具揭示微调后嵌入空间的模块化结构，并探讨结构自信与标签不确定性的矛盾。

Comments Accepted to appear in the Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025, Main Conference)

Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing, pages 8457--8480, Suzhou, China. Association for Computational Linguistics

GoViG: Goal-Conditioned Visual Navigation Instruction Generation via Multimodal Reasoning

GoViG：通过多模态推理实现目标条件视觉导航指令生成

Fengyi Wu, Yifei Dong, Yilong Dai, Guangyu Chen, Qifeng Wu, Huiting Huang, Hang Wang, Qi Dai, Alexander G. Hauptmann, Zhi-Qi Cheng

机构 * University of Washington（华盛顿大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Microsoft Research（微软研究院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出GoViG任务，通过多模态推理生成基于初始和目标状态的视觉导航指令，采用自回归多模态大语言模型提升空间准确性和语言清晰度，提出两种多模态推理策略并构建R2R-Goal数据集验证方法有效性。

Comments Accepted to ACL 2026 Findings. 22 pages, 12 figures, Code: https://github.com/F1y1113/GoViG

Beyond the Leaderboard: Rethinking Medical Benchmarks for Large Language Models

超越排行榜：重新思考大型语言模型的医疗基准

Wenting Chen, Guo Yu, Yiu-Fai Cheung, Meidan Ding, Jie Liu, Zizhan Ma, Wenxuan Wang, Linlin Shen

机构 * Stanford University（斯坦福大学） ； Shenzhen University（深圳大学） ； The Chinese University of Hong Kong（香港中文大学） ； City University of Hong Kong（香港城市大学） ； Renmin University of China（中国人民大学） 纠错

AI总结 本文提出MedCheck框架，用于评估医疗领域大型语言模型的基准，揭示现有基准在临床相关性、数据完整性及安全性方面的系统性问题。

Comments Accepted by ACL 2026

ReGATE: Learning Faster and Better with Fewer Tokens in MLLMs

ReGATE：通过减少令牌数在MLLMs中实现更快更好的学习

Chaoyu Li, Yogesh Kulkarni, Pooyan Fazli

机构 * Arizona State University（亚利桑那州立大学） 纠错

AI总结 ReGATE通过参考引导的自适应令牌消除方法加速MLLM训练，减少计算量同时保持模型准确性，在多个基准测试中表现出色。

Comments ACL 2026. Project page: https://people-robots.github.io/regate

Decide less, communicate more: On the construct validity of end-to-end fact-checking in medicine

少做决定，多进行沟通：关于医学领域端到端事实核查构建效度的探讨

Sebastian Joseph, Lily Chen, Barry Wei, Michael Mackert, Iain J. Marshall, Paul Pu Liang, Ramez Kouzy, Byron C. Wallace, Junyi Jessy Li

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Stanford University（斯坦福大学） ； Indiana University School of Medicine（印第安纳大学医学院） ； King’s College London（伦敦国王学院） ； Massachusetts Institute of Technology（麻省理工学院） ； The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； Northeastern University（东北大学） 纠错

AI总结 本文探讨医学领域端到端事实核查系统的构建效度，指出其在连接现实声明与科学证据、处理模糊声明及主观真实性标签方面的挑战，主张将其视为互动沟通问题。

Comments ACL 2026 Findings camera-ready

MINOS: A Multimodal Evaluation Model for Bidirectional Generation Between Image and Text

MINOS：一种用于图像与文本双向生成的多模态评估模型

Junzhe Zhang, Huixuan Zhang, Xinyu Hu, Li Lin, Mingqi Gao, Shi Qiu, Xiaojun Wan

机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王萱计算机技术研究所） ； School of Physics, Peking University（北京大学物理学院） 纠错

AI总结 本文提出MINOS模型，通过严格质量控制策略构建Minos-57K多模态评估数据集，结合SFT和偏好对齐训练策略，在16个跨领域数据集中取得最佳性能。

Comments Accepted to the Findings of ACL 2026