ACL

DASH-KV: Accelerating Long-Context LLM Inference via Asymmetric KV Cache Hashing

DASH-KV：通过非对称KV缓存哈希加速长上下文LLM推理

Jinyu Guo, Zhihan Zhang, Yutong Li, Jiehui Xie, Md. Tamim Iqbal, Dongshen Han, Lik-Hang Lee, Sung-Ho Bae, Jie Zou, Yang Yang, Chaoning Zhang

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工程学院） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； Bangladesh University of Engineering and Technology（孟加拉工程与技术大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Kyung Hee University, School of Computing（庆熙大学计算机学院） 纠错

AI总结 DASH-KV通过非对称深度哈希将注意力机制近似为最近邻搜索，降低计算复杂度至线性，提升长上下文LLM推理效率并保持性能。

Comments Accepted by ACL 2026 (Findings)

Talking to a Know-It-All GPT or a Second-Guesser Claude? How Repair reveals unreliable Multi-Turn Behavior in LLMs

与一个无所不知的GPT或一个犹豫不决的Claude交谈：如何通过修复揭示LLMs在多轮对话中的不可靠行为

Clara Lachenmaier, Hannah Bultmann, Sina Zarrieß

机构 * Computational Linguistics, Department of Linguistics（计算语言学系，语言学系） 纠错

AI总结 研究探讨LLMs在解决可解和不可解数学问题的多轮对话中进行修复的交互过程，发现不同模型对修复的反应差异显著，行为随对话轮次增加而更不可预测。

Comments Preprint accepted at ACL Main Conference 2026

AnchorSeg: Language Grounded Query Banks for Reasoning Segmentation

AnchorSeg: 语言引导的查询库用于推理分割

Rui Qian, Chuanhang Deng, Qiang Huang, Jian Xiong, Mingxuan Li, Yingbo Zhou, Wei Zhai, Jintao Chen, Dejing Dou

机构 * College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院） 纠错

AI总结 AnchorSeg通过结构化语言引导查询库将推理分割建模为图像标记上的条件生成过程，通过显式分离空间定位与语义推理，实现67.7%的gIoU和68.1%的cIoU的SOTA结果。

Comments This work has been accepted to ACL 2026, please refer to https://github.com/rui-qian/AnchorSeg

Rhetorical Questions in LLM Representations: A Linear Probing Study

语言模型表示中的修辞问题：一项线性探测研究

Louie Hong Yao, Vishesh Anand, Yuan Zhuang, Tianyu Jiang

机构 * Independent Researcher（独立研究者） ； University of Cincinnati（辛辛那提大学） ； Amazon（亚马逊） 纠错

AI总结 本文通过线性探测研究语言模型对修辞问题的表示，发现修辞信号在模型早期层中出现，并主要由最后一层表示捕捉，且在不同数据集间可转移，但不同数据集训练的探测器在目标数据集上的排名差异较大，反映出修辞问题的多维度编码特性。

Comments 18 pages, 15 figures, accepted to ACL 2026

TaxPraBen: A Scalable Benchmark for Structured Evaluation of LLMs in Chinese Real-World Tax Practice

TaxPraBen：一种可扩展的基准，用于评估LLM在中文实际税收实践中的结构化表现

Gang Hu, Yating Chen, Haiyan Ding, Wang Gao, Jiajia Huang, Min Peng, Qianqian Xie, Kun Yue

机构 * Yunnan University（云南大学） ； Wuhan University（武汉大学） ； Jianghan University（江汉大学） ； Nanjing Audit University（南京审计大学） 纠错

AI总结 本文提出TaxPraBen，首个专注于中文税收实践的基准，结合10项传统任务和3项创新场景，评估19种LLM在税收实践中的表现，揭示封闭源大参数LLM和中文LLM的优势。

Journal ref ACL 2026 Main Conference

Lightweight LLM Agent Memory with Small Language Models

轻量级大语言模型代理记忆系统

Jiaquan Zhang, Chaoning Zhang, Shuxu Chen, Zhenzhen Huang, Pengcheng Zheng, Zhicheng Wang, Ping Guo, Fan Mo, Sung-Ho Bae, Jie Zou, Jiwei Wei, Yang Yang

机构 * University of Electronic Science and Technology of China（电子科学与技术大学） ； Kyung Hee University（庆熙大学） ； City University of Hong Kong（香港城市大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出LightMem，利用小语言模型实现轻量级代理记忆，通过模块化记忆检索、写入和长期整合，提升效率与准确性，实验显示在LoCoMo数据集上F1值提升2.5，并具有低延迟特点。

Comments Accepted by ACL 2026 (main)

Cross-Modal Taxonomic Generalization in (Vision-) Language Models

跨模态分类泛化在（视觉-）语言模型中

Tianyang Xu, Marcelo Sandoval-Castaneda, Karen Livescu, Greg Shakhnarovich, Kanishka Misra

机构 * Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 研究探讨了语言模型在无显性证据情况下通过跨模态泛化恢复超范畴知识的能力，发现语言模型能基于语言线索实现泛化。

Comments ACL 2026 (main conference)

DRIV-EX: Counterfactual Explanations for Driving LLMs

DRIV-EX：用于驾驶LLM的反事实解释

Amaia Cardiel, Eloi Zablocki, Elias Ramzi, Eric Gaussier

机构 * Aptikal, Université Grenoble Alpes（Aptikal，格勒诺布尔大学） 纠错

AI总结 本文提出DRIV-EX方法，通过反事实解释研究驾驶LLM的决策过程，利用梯度优化生成语义变化的场景描述，提升解释的可理解性和鲁棒性。

Comments Accepted at ACL Findings 2026

MemoPhishAgent: Memory-Augmented Multi-Modal LLM Agent for Phishing URL Detection

MemoPhishAgent: 基于记忆的多模态大语言模型代理用于钓鱼URL检测

Xuan Chen, Hao Liu, Tao Yuan, Mehran Kafai, Piotr Habas, Xiangyu Zhang

AI总结 本文提出MemoPhishAgent，通过整合多模态推理与记忆机制，提升钓鱼URL检测性能，实验显示其在召回率上优于现有方法，并在真实场景中实现高召回率。

Comments ACL 2026 Industry Track Camera Ready

CAST: Achieving Stable LLM-based Text Analysis for Data Analytics

CAST：实现稳定的大语言模型文本分析用于数据分析

Jinxiang Xie, Zihao Li, Wei He, Rui Ding, Shi Han, Dongmei Zhang

机构 * Nanjing University（南京大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Microsoft Research（微软研究院） 纠错

AI总结 CAST通过算法提示和先思考后发言提升大语言模型在表格数据分析中的输出稳定性，实验表明其在多个基准上表现最佳，稳定性提升达16.2%。

Comments ACL 2026 Findings

SciCoQA: Quality Assurance for Scientific Paper--Code Alignment

SciCoQA：科学论文与代码对齐的质量保障

Tim Baumgärtner, Iryna Gurevych

机构 * Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science, TU Darmstadt and National Research Center for Applied Cybersecurity ATHENE（普遍知识处理实验室（UKP实验室）、计算机科学系、德累斯顿技术大学和应用网络安全国家研究中心ATHENE） 纠错

AI总结 本文提出SciCoQA数据集，用于评估LLM在科学论文与代码对齐任务中的表现，揭示自动化科学质量保障的关键差距。

Comments Accepted at ACL 2026

Optimizing User Profiles via Contextual Bandits for Retrieval-Augmented LLM Personalization

通过上下文老虎机优化用户资料以实现检索增强的LLM个性化

Linfeng Du, Ye Yuan, Zichen Zhao, Fuyuan Lyu, Emiliano Penaloza, Xiuying Chen, Zipeng Sun, Jikun Kang, Laurent Charlin, Xue Liu, Haolun Wu

机构 * McGill University（麦吉尔大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Université de Montréal（蒙特利尔大学） ； Salesforce（Salesforce公司） ； HEC Montréal（蒙特利尔HEC商学院） ； Mila - Quebec AI Institute（魁北克人工智能研究所） 纠错

AI总结 本文提出PURPLE框架，通过上下文老虎机优化用户资料，利用Plackett-Luce模型捕捉复杂依赖，提升LLM个性化效果。

Comments Accepted to ACL 2026

The Imperfective Paradox in Large Language Models

大型语言模型中的不完美悖论

Bolei Ma, Yusuke Miyao

机构 * LMU Munich（慕尼黑大学） ； The University of Tokyo（东京大学） 纠错

AI总结 研究揭示大型语言模型在事件复合语义理解上的局限性，发现其依赖表面概率启发式而非逻辑推理，提出ImperfectiveNLI数据集揭示目标导向事件的预测偏差。

Comments ACL 2026

Mechanistic Interpretability of Large-Scale Counting in LLMs through a System-2 Strategy

通过系统2策略解析大语言模型中大规模计数的机制

Hosein Hasani, Mohammadali Banayeeanzade, Ali Nafisi, Sadegh Mohammadian, Fatemeh Askari, Mobin Bagherian, Amirmohammad Izadi, Mahdieh Soleymani Baghshah

机构 * Sharif University of Technology（谢里夫理工大学） 纠错

AI总结 本文提出一种系统2策略，通过分解大计数任务为小问题来提升LLM计数精度，揭示了计数机制并验证了其有效性。

Comments ACL 2026

Beyond Majority Voting: Towards Fine-grained and More Reliable Reward Signal for Test-Time Reinforcement Learning

超越多数投票：面向细粒度和更可靠的测试时间强化学习奖励信号

Weiqin Wang, Yile Wang, Kehao Chen, Hui Huang

机构 * College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院） ； College of Computer and Data Science, Fuzhou University（福州大学计算机与数据科学学院） 纠错

AI总结 本文提出SCOPE框架，通过结合模型置信度和动态子组划分，解决测试时间强化学习中多数投票策略导致的确认偏误和稀疏奖励问题，提升大语言模型推理能力。

Comments Accepted to ACL 2025 Main Conference. 15 pages, 9 figures, 5 tables

Interpretability from the Ground Up: Stakeholder-Centric Design of Automated Scoring in Educational Assessments

从基础出发的可解释性：面向教育评估的自动评分者设计

Yunsung Kim, Mike Hardy, Joseph Tey, Candace Thille, Chris Piech

机构 * Graduate School of Education, Stanford University（斯坦福大学教育研究生院） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系） 纠错

AI总结 本文提出FGTI可解释性原则，开发AnalyticScore框架，在文本构造响应评分中提升准确性并接近人类标注表现。

Comments In Findings of the Association for Computational Linguistics (ACL 2026)

Semantic-Aware Logical Reasoning via a Semiotic Framework

通过象征框架实现语义感知的逻辑推理

Yunyao Zhang, Xinglang Zhang, Junxi Sheng, Wenbing Li, Junqing Yu, Yi-Ping Phoebe Chen, Wei Yang, Zikai Song

机构 * Huazhong University of Science and Technology（华中科技大学） ； La Trobe University（拉筹伯大学） 纠错

AI总结 本文提出LogicAgent框架，结合自动推演与反思验证，解决逻辑复杂性与语义复杂性的交互问题，通过RepublicQA基准验证其在抽象命题和逻辑深度上的表现，实现SOTA性能。

Comments Accepted at ACL 2026 (Main Conference)

SMARTER: A Data-efficient Framework to Improve Toxicity Detection with Explanation via Self-augmenting Large Language Models

SMARTER: 一种数据高效框架，通过自增强大语言模型提升毒性检测与解释

Huy Nghiem, Advik Sachdeva, Hal Daumé

机构 * University of Maryland（马里兰大学） 纠错

AI总结 SMARTER通过两阶段框架利用大语言模型自身输出生成解释，提升内容审核的可解释性，实验表明在三个基准任务中实现13%的宏F1提升，且数据使用量仅为全训练数据的分数。

Comments ACL 2026. NLP, Hate speech detection, explanation, LLM. Version 3

Task-Stratified Knowledge Scaling Laws for Post-Training Quantized Large Language Models

任务分层的知识扩展规律用于训练后量化的大语言模型

Chenxi Zhou, Pengfei Cao, Jiang Li, Bohan Yu, Jinyu Ye, Jun Zhao, Kang Liu

机构 * School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉学科学院） ； The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所认知与决策智能复杂系统重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； College of Computer Science, Inner Mongolia University（内蒙古大学计算机学院） 纠错

AI总结 本文提出任务分层的知识扩展规律，通过统一模型大小、位宽和细粒度因素，验证了293种不同的训练后量化配置，揭示了不同知识能力对精度、规模和校准的敏感性。

Comments Accepted to Findings of ACL 2026

ReasonRank: Empowering Passage Ranking with Strong Reasoning Ability

ReasonRank: 通过强推理能力增强文档排序

Wenhan Liu, Xinyu Ma, Weiwei Sun, Yutao Zhu, Yuchen Li, Dawei Yin, Zhicheng Dou

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院 Gallagher 分校） ； Baidu Inc., Beijing, China（百度公司，北京，中国） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出ReasonRank，通过自动化生成推理密集型训练数据和两阶段训练方法，提升文档排序性能，实验表明其优于现有基线并具有更低延迟。

Comments 25 pages, accepted by ACL2026 main conference

RExBench: Can coding agents autonomously implement AI research extensions?

RExBench：代码代理能否自主实现AI研究扩展？

Nicholas Edwards, Yukyung Lee, Yujun Audrey Mao, Yulu Qin, Sebastian Schuster, Najoung Kim

机构 * Faculty of Computer Science, University of Vienna（维也纳大学计算机科学系） ； UniVie Doctoral School Computer Science, University of Vienna（维也纳大学UniVie计算机科学博士学院） ； Boston University（波士顿大学） 纠错

AI总结 本文提出RExBench基准，评估代码代理自主实现AI研究扩展的能力，发现现有代理在无人类指导时成功率不足44%。

Comments ACL 2026

Context Attribution with Multi-Armed Bandit Optimization

基于多臂老虎机优化的上下文归因

Deng Pan, Keerthiram Murugesan, Ting Hua, Nuno Moniz, Nitesh Chawla

机构 * Lucy Family Institute for Data & Society, University of Notre Dame（数据与社会学院卢西家庭研究所，圣约翰大学） ； Department of Computer Science & Engineering, University of Notre Dame（计算机科学与工程系，圣约翰大学） ； IBM Research（IBM研究院） 纠错

AI总结 本文提出一种将上下文归因问题建模为组合多臂老虎机问题的框架，利用线性汤普森采样高效识别关键上下文片段，减少模型查询次数，实验表明在多个问答基准上实现30%的查询减少同时保持归因质量。

Comments Accepted as a Findings paper at ACL 2026

Model Internal Sleuthing: Finding Lexical Identity and Inflectional Features in Modern Language Models

模型内部侦探：在现代语言模型中寻找词汇身份和屈折特征

Michael Li, Nishant Subramani

机构 * Carnegie Mellon University - Language Technologies Institute（卡内基梅隆大学-语言技术研究所） 纠错

AI总结 研究通过分析25个模型的词汇身份和屈折特征，发现屈折特征在模型中线性可解，而词汇身份在早期显著但随深度减弱，揭示了transformer在层间保持屈折特征但牺牲词汇身份以获得紧凑预测表示的机制。

Comments Accepted to ACL 2026 (Main Conference)

CRAFT: Training-Free Cascaded Retrieval for Tabular QA

CRAFT：无训练 cascaded 检索用于表格问答

Adarsh Singh, Kushal Raj Bhandari, Jianxi Gao, Soham Dan, Vivek Gupta

机构 * Arizona State University（亚利桑那州立大学） ； Rensselaer Polytechnic Institute（伦塞拉尔理工学院） ； Microsoft（微软） 纠错

AI总结 CRAFT 提出了一种无训练 cascaded 检索方法，通过稀疏检索模型筛选候选表格后，再用密集模型进行重排序，提升检索质量并在 NQ-Tables 和 OTT-QA 数据集上表现优异。

Comments Accepted to ACL 2026 Mains

OMIBench: Benchmarking Olympiad-Level Multi-Image Reasoning in Large Vision-Language Model

OMIBench：用于大型视觉-语言模型在奥林匹克级多图像推理中的基准测试

Qiguang Chen, Chengyu Luan, Jiajun Wu, Qiming Yu, Yi Yang, Yizhuo Li, Jingqi Tong, Xiachong Feng, Libo Qin, Wanxiang Che

机构 * Research Center for Social Computing and Interactive Robotics（社会计算与交互机器人研究室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Central South University（中南大学） ； Fudan University（复旦大学） ； The University of Hong Kong（香港大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Text Computing and Cognitive Intelligence Ministry of Education Engineering Research Center（教育部文本计算与认知智能工程研究中心） ； Guizhou University（贵州大学） 纠错

AI总结 OMIBench旨在评估多图像推理能力，包含生物、化学、数学和物理奥林匹克问题，提供精确和语义答案匹配的评估协议，实验显示现有模型性能存在显著差距。

Comments ACL 2026 Camera Ready

Supplement Generation Training for Enhancing Agentic Task Performance

增强代理任务性能的补充生成训练

Young Min Cho, Daniele Bonadiman, Divya Bhargavi, Tamer Alkhouli, Salvatore Romeo, Dongwei Jiang, Khushbu Pahwa, Yubin Ge, Etsuko Ishii, Monica Sunkara, Yi Zhang

机构 * University of Pennsylvania（宾夕法尼亚大学） ； AWS Agentic AI Labs（AWS智能代理AI实验室） 纠错

AI总结 本文提出补充生成训练(SGT)，通过小型LLM生成补充文本帮助大模型更高效完成任务，降低计算成本并提升部署灵活性。

Comments Accepted to the Findings of ACL 2026

Explicit Trait Inference for Multi-Agent Coordination

显式特征推断用于多智能体协调

Suhaib Abdurahman, Etsuko Ishii, Katerina Margatina, Divya Bhargavi, Monica Sunkara, Yi Zhang

机构 * University of Southern California（南加州大学） ； AWS Agentic AI Labs（AWS 代理AI实验室） 纠错

AI总结 本文提出显式特征推断方法，通过推断伙伴特征提升多智能体协调效率，在经济游戏和复杂多智能体场景中均取得显著效果。

Comments Accepted at ACL 2026 Main Conference

WISCA: A Lightweight Model Transition Method to Improve LLM Training via Weight Scaling

WISCA：一种轻量级模型转换方法，通过权重缩放提高LLM训练

Jiacheng Li, Jianchao Tan, Zhidong Yang, Pingwei Sun, Feiye Huo, Jiayu Qin, Xiangyu Zhang, Maoxin He, Yerui Sun, Yuchen Xie, Guangming Tan, Weile Jia, Xunliang Cai, Tong Zhao

机构 * Meituan, Beijing, China（美团，北京，中国） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） ； Hong Kong University of Science and Technology, Hong Kong SAR, China（香港科技大学，香港特别行政区，中国） ； Xiamen University, Xiamen, China（厦门大学，厦门，中国） 纠错

AI总结 WISCA通过优化神经网络权重模式提升LLM训练效率和模型质量，实验显示在GQA架构和LoRA微调任务中显著提升收敛质量。

Comments Findings of the Association for Computational Linguistics: ACL 2026

Where Reasoning Breaks: Logic-Aware Path Selection by Controlling Logical Connectives in LLMs Reasoning Chains

推理中逻辑的断裂：通过控制LLM推理链中的逻辑连接词进行逻辑感知路径选择

Seunghyun Park, Yuanyuan Lei

机构 * University of Florida（佛罗里达大学） 纠错

AI总结 本文研究LLM在多步逻辑推导中的脆弱性，提出通过干预逻辑连接词选择来提升推理准确性，采用多层框架优化逻辑关键节点，实现准确率与效率的平衡。

Journal ref 2026 ACL Findings

Evian: Towards Explainable Visual Instruction-tuning Data Auditing

Evian：迈向可解释的视觉指令微调数据审计

Zimu Jia, Mingjie Xu, Andrew Estornell, Jiaheng Wei

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； ByteDance Seed（字节跳动种子） 纠错

AI总结 本文提出Evian框架，通过分解评估模型响应的三大认知组件，解决数据审计中逻辑一致性与事实准确性不足的问题，验证高质量小规模数据优于大规模低质量数据。

Comments Accepted at ACL 2026