期刊&会议
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
MegaRAG：基于多模态知识图谱的检索增强生成
机构 * Department of Computer Science and Information Engineering, National Taiwan University（国立台湾大学计算机科学与信息工程系） ； Department of Mathematics, National Kaohsiung Normal University（高雄师范大学数学系） ； FinTech Center, National Taiwan University（国立台湾大学金融科技中心） ； E.SUN Financial Holding Co., Ltd.（E.SUN财务公司）
AI总结 MegaRAG通过引入多模态知识图谱，提升大语言模型在跨模态推理中的内容理解能力，在文本和多模态语料中均优于现有RAG方法。
Comments ACL 2026
LexRel：中国民事案件法律关系抽取基准测试
机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； University of Glasgow（格拉斯哥大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； Northeastern University（东北大学）
AI总结 本文提出LexRel基准，用于评估法律关系抽取任务，揭示当前大语言模型在识别民事法律关系上的不足，并展示显式整合法律关系信息对下游法律AI任务的积极影响。
Comments Accepted to ACL 2026 (main conference). 17 pages, 7 figures
重新思考大型视觉语言模型的 Jailbreak 检测：基于表示对比评分
机构 * Washington University in St. Louis（圣路易斯华盛顿大学） ； Texas A&M University（德克萨斯农工大学）
AI总结 本文提出基于内部表示对比评分的框架，通过学习轻量投影分离良性与恶意输入，实现有效 Jailbreak 检测，改进现有方法的泛化能力和效率。
Comments To appear at ACL 2026 main
LoRA on the Go：实例级动态LoRA选择与合并
机构 * MPI-SWS（马克斯·普朗克研究所-斯图加特研究所） ； Microsoft, India（微软公司，印度）
AI总结 LoRA on the Go通过实例级动态选择和合并适配器，在无需额外训练的情况下提升多任务性能，实验证明其在多个NLP基准和数据集上表现优异。
Comments Accepted as a main conference paper in ACL 2026
混合向量检索用于视觉丰富文档：结合单向量效率和多向量准确性
机构 * KAIST（韩国科学技术院） ； Hanyang University（翰阳大学）
AI总结 本文提出HEAVEN框架，通过单向量高效检索与多向量精确排序相结合，提升视觉丰富文档检索效率与准确性，同时引入ViMDoc基准测试。
Comments ACL 2026 Findings
ToMMeR -- 从大语言模型中高效实体提及检测
机构 * Institut des Systèmes Intelligents et de Robotique (ISIR), Sorbonne Université, CNRS（智能系统与机器人研究所（ISIR），索邦大学，法国国家科学研究中心） ； LIPN, Université Sorbonne Paris Nord, UMR7030 CNRS（LIPN，巴黎-索邦大学，法国国家科学研究中心） ； INSPE, UT2J, Univ. Toulouse, IRIT, CLLE UMR5505 UMR5263 CNRS（INSPE，图卢兹大学，IRIT，CLLE法国国家科学研究中心）
AI总结 ToMMeR通过轻量模型验证早期LLM层的提及检测能力，在13个NER基准中实现93%零样本召回率，证明实体提及自然从语言建模中产生。
Comments Accepted at ACL2026 - Code: https://github.com/VictorMorand/llm2ner
词汇饮食：通过向量运算重塑大语言模型的词汇
机构 * The Hebrew University of Jerusalem（海法大学）
AI总结 本文提出通过向量运算重塑LLM词汇，利用变换向量替代单一词表，减少词汇槽位占用，提升多语言覆盖和多样性，同时保持下游性能。
Comments ACL 2026 Findings
一致、分歧、解释：通过解释的视角分解自然语言推理中的人类标注变异
机构 * Faculty of Computer Science, UniVie（维也纳大学计算机科学系） ； Doctoral School Computer Science, Faculty of Philological and Cultural Studies, University of Vienna, Austria（维也纳大学哲学与文化研究系计算机科学博士学院） ； MaiNLP, Center for Information and Language Processing, LMU Munich, Germany（慕尼黑大学信息与语言处理中心MaiNLP） ； Munich Center for Machine Learning, Germany（慕尼黑机器学习中心） ； FNRS, CENTAL, UCLouvain, Belgium（比利时列日大学FNRS、CENTAL）
AI总结 本文通过分析解释视角，探讨自然语言推理中人类标注变异的多样性，揭示标注者在推理类别和标签上的分歧，强调推理类别一致性比标签一致性更能反映解释的语义相似性。
Comments Accepted by ACL 2026 Findings, 13 pages, 6 figures
Privacy-R1: 通过强化学习实现隐私意识的多LLM代理协作
机构 * University of Cambridge（剑桥大学） ； University College London（伦敦大学学院）
AI总结 本文提出Privacy-R1框架，通过强化学习动态路由文本块，在隐私泄露与任务性能间取得平衡，引入医疗数据集验证方法有效性，实现隐私-效用前沿的新状态。
Comments ACL 2026 Main
超越上下文的规模：文档理解的多模态检索增强生成综述
机构 * MBZUAI ； Alibaba Group（阿里巴巴集团） ； Tsinghua University（清华大学） ； Wuhan University（武汉大学） ； Nanyang Technological University（南洋理工大学） ； University of Melbourne（墨尔本大学）
AI总结 本文综述了多模态检索增强生成在文档理解中的应用，提出基于领域、检索模态和粒度的分类体系，总结了关键数据集、基准测试和行业应用，指出了效率、细粒度表示和鲁棒性等挑战。
Comments Accepted by ACL2026 Main Conference; Project is available at https://github.com/SensenGao/Multimodal-RAG-Survey-For-Document
ReTraceQA：评估小语言模型在常识问答中的推理轨迹
机构 * Sapienza NLP Group（萨皮恩扎大学自然语言处理小组） ； Sapienza University of Rome（罗马萨皮恩扎大学）
AI总结 ReTraceQA通过引入过程级评估，揭示小语言模型在常识推理中存在大量推理过程错误，但最终答案正确的情况，表明现有评价方法高估了模型能力。
Comments Accepted at ACL 2026 Main Conference
卓越还是真实表现？通过动态评估重新思考医疗诊断基准
机构 * GSAI, Renmin University of China（清华大学人工智能研究院，中国人民大学） ； Tencent Jarvis Lab（腾讯 Jarvis实验室） ； Beijing Key Laboratory of Research on Large Models and Intelligent Governance（北京大型模型与智能治理研究关键实验室） ； Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE（下一代智能搜索与推荐工程技术研究中心，教育部）
AI总结 本文提出DyReMe动态基准，通过生成临床相关干扰因素的咨询式案例，评估医疗诊断模型的鲁棒性，揭示现有模型在临床干扰下的不足。
Comments Accepted by ACL 2026 Main Conference
ControlAudio：通过渐进扩散建模解决文本引导、时间指示和可理解音频生成
机构 * Tsinghua University（清华大学） ； Shengshu AI（盛舒AI） ； University of Science and Technology of China（中国科学技术大学） ； Monash University（墨尔本大学）
AI总结 ControlAudio通过多任务学习和渐进扩散建模，实现文本、时间及音素特征的精细控制，提升音频生成的时序精度和语音清晰度，达到当前最优水平。
Comments Accepted at ACL 2026 Main
ReasonEmbed：用于推理密集型文档检索的增强型文本嵌入
机构 * University of Science and Technology of China（中国科学技术大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室） ； Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出ReasonEmbed，通过ReMixer合成数据、Redapter自适应学习算法和多规模backbone实现，提升推理密集型检索性能，其中ReasonEmbed-Qwen3-8B在BRIGHT基准上取得38.1的nDCG@10高分。
Comments 19 pages, 3 figures; Accepted to ACL 2026 Main
测试时推理器是战略性的多选题答题者
机构 * University of Maryland（马里兰大学） ； New York University（纽约大学）
AI总结 本文研究了测试时推理器在多选题回答中的策略性表现，发现其在全输入和仅选项输入下均能提升准确性，挑战了部分输入成功总是缺陷的观点。
Comments ACL 2026
创建ConLangs以探测LLMs的元语言语法知识
机构 * University of Notre Dame（诺特达美大学） ； Sakana AI（萨卡纳人工智能） ； Notre Dame, IN, USA（印第安纳州诺特达美） ； Tokyo, Japan（日本东京）
AI总结 本文提出IASC系统，通过LLMs生成构造语言，探讨LLMs对语言和语言学概念的理解能力，实验显示不同LLM和语言规范在形态语法能力上有显著差异。
Comments 53 pages, 18 tables, 3 figures. Accepted at ACL 2026
我们是否在使用正确的基准：视觉令牌压缩方法的评估框架
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Shanghai Jiao Tong University（上海交通大学） ； Northeastern University（东北大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； The Hong Kong University of Science and Technology（香港科技大学） ； MBZUAI
AI总结 本文通过实验证明现有基准含大量无关样本， downsampling能有效过滤样本，提出VTC-Bench框架以更公平评估视觉令牌压缩方法。
Comments Accepted by ACL2026 Main. Code: https://github.com/Chenfei-Liao/VTC-Bench; Project Page: https://chenfei-liao.github.io/VTC-Bench-Page/
语言模型如何将逻辑有效性与合理性混淆：内容效应的表征分析
机构 * University of Trento（特伦托大学） ； University of Amsterdam（阿姆斯特丹大学） ； Free University of Bozen-Bolzano（博赞-博洛尼亚自由大学）
AI总结 研究揭示语言模型中逻辑有效性与合理性概念的表征关联，通过构建去偏向量减少内容效应，提升推理准确性。
Comments ACL 2026 Findings
风格胜过故事：通过结构化选择测量大语言模型的叙事偏好
机构 * School of Digital Humanities and Computational Social Sciences, KAIST（数字人文与计算社会科学学院，韩国科学技术院）
AI总结 通过结构化选择实验测量大语言模型的叙事偏好，发现模型在风格优先于叙事内容方面表现一致，且风格偏好稳定，而内容元素则存在模型间差异和指令敏感性。
Comments Accepted to ACL 2026 (Findings), camera-ready version
在RLVR中对LLM推理进行语义空间探索与利用
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Shenzhen Technology University（深圳技术大学）
AI总结 本文提出VERL方法，通过有效秩和其时间导数改进RLVR，实现语义空间中探索与利用的平衡，提升LLM推理性能。
Comments Accepted as an ACL 2026 Findings paper
层归一化在Transformer解码器中诱导近期偏差
机构 * KAIST（韩国科学技术院） ； Microsoft Research（微软研究院）
AI总结 研究揭示Transformer解码器中层归一化与自注意力机制相互作用导致近期偏差的机制，分析残差连接和输入嵌入分布的影响，提出改进位置编码的新思路。
Comments Codes available at: https://github.com/starmpcc/layernorm_recency_bias
Journal ref ACL 2026 Findings
SafeConstellations: 通过任务感知的表示引导缓解大语言模型的过度拒绝行为
机构 * Macquarie University（麦考瑞大学） ； IOE, Pulchowk Campus（IOE普楚克校区）
AI总结 本文提出SafeConstellations方法，通过任务感知的表示引导在推理时调整表示轨迹，减少大语言模型在处理良性指令时的过度拒绝现象，同时保持模型实用性。
Comments ACL 2026 Main
EvoCoT：克服强化学习中的探索瓶颈
机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Imperial College London（伦敦帝国理工学院） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
AI总结 EvoCoT通过两阶段链式思维优化框架，解决强化学习中稀疏奖励下的探索瓶颈问题，提升大语言模型的推理能力。
Comments Camera-ready version for ACL 2026
通过强化学习学习提取理性证据以增强检索增强生成
机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） ； Peking University（北京大学）
AI总结 本文提出EviOmni，通过推理先提取证据，结合证据推理与提取，利用强化学习优化生成质量，实验表明其在多个基准数据集上表现优异，提升下游任务准确率。
Comments 23 pages, 8 Figures, 18 Tables; Accepted to ACL 2026 Findings
对Mamba在语音自监督模型中的探索
机构 * National Taiwan University（国立台湾大学） ； Graduate Institute of Communication Engineering（通信工程研究所） ； Research Center for Information Technology Innovation, Academia Sinica（学术院信息技术创新研究中心） ； NTU Artificial Intelligence Center of Research Excellence (NTU AI-CoRE)（国立台湾大学人工智能卓越研究中心）
AI总结 本文探讨了Mamba在语音自监督学习中的应用，提出基于Mamba的HuBERT模型，相比Transformer架构在长上下文ASR任务中计算更高效，且在流式ASR和SUPERB基准测试中表现更优。
Comments Accepted at ACL 2026 Main Conference
通过对话流程对齐构建可解释的任务导向对话系统：CoDial
机构 * Department of Electrical and Computer Engineering & Ingenuity Labs, Queen’s University（电气与计算机工程系及Ingenuity实验室，女王大学） ； Conflict Analytics Lab, Queen’s University（冲突分析实验室，女王大学） ； Cornell Law School（康奈尔法学院） ； Vector Institute for AI（人工智能向量研究所）
AI总结 CoDial通过将预定义任务 schema 转换为结构化异构图并生成程序化 LLM 防御代码，实现对话策略的高效可解释对齐，提升任务导向对话系统的泛化能力与可解释性。
Comments Accepted to ACL 2026
用于高效偏好数据选择与诊断的对齐数据图
机构 * Sogang University（ソガン大学） ； Upstage（アップステージ） ； Korea University（韩国大学）
AI总结 本文提出对齐数据图，通过评估偏好数据的对齐分数，选择高质量低变异性样本，提升对齐效果并提高标注准确性。
Comments ACL 2026 Findings Camera-Ready
在不同设置中为语言模型建立KL散度量表
机构 * Kyoto University（京都大学） ； RIKEN（日本科学技术研究所）
AI总结 本文通过扩展log-likelihood空间，建立统一的KL散度量表，分析预训练轨迹显示log-likelihood空间变化比权重空间更小，导致学习轨迹亚扩散并早稳定语言模型行为。
Comments ACL 2026 Findings
ResearchBench: 通过基于灵感的任务分解对LLM在科学发现中的基准测试
机构 * Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Nanyang Technological University（南洋理工大学） ； University of New South Wales（新南威尔士大学） ； National University of Singapore（新加坡国立大学） ； Wuhan University（武汉大学）
AI总结 本文提出ResearchBench，首个评估LLM在科学发现子任务中的基准，包含灵感检索、假设生成和排序，通过自动化框架提取跨12学科论文的关键信息，验证其准确性，并展示LLM在非分布任务中表现优异。
Comments Accepted by ACL 2026 (findings)
XOXO：针对AI编码助手的隐蔽跨域上下文污染攻击
机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学）
AI总结 本文提出XOXO攻击，通过隐蔽的跨域上下文污染使AI编码助手生成漏洞代码。引入GCGS算法，利用Cayley图系统搜索变换空间，实现75.72%的攻击成功率，传统防御方法无效。
Comments Accepted to ACL 2026 (main)
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