ACL

From Inheritance to Saturation: Disentangling the Evolution of Visual Redundancy for Architecture-Aware MLLM Inference Acceleration

从继承到饱和：解构视觉冗余的演化以实现架构感知的MLLM推理加速

Jiaqi Shi, Yuechan Li, Xulong Zhang, Xiaoyang Qu, Jianzong Wang

机构 * University of Science and Technology of China（中国科学技术大学） ； Wuhan University（武汉大学） ； Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司） 纠错

AI总结 本文提出HalfV框架，通过统一剪枝策略缓解内在视觉冗余，并根据具体表现适应性处理二次饱和冗余，实现跨架构的高效推理。

Comments 16 pages, 14 figures, plus appendix, accepted at ACL 2026

ODUTQA-MDC: A Task for Open-Domain Underspecified Tabular QA with Multi-turn Dialogue-based Clarification

ODUTQA-MDC：一个面向开放领域未指定表格问答的任务

Zhensheng Wang, ZhanTeng Lin, Wenmian Yang, Kun Zhou, Yiquan Zhang, Weijia Jia

机构 * School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） ； Institute of Artificial Intelligence and Future Networks, Beijing Normal University（北京师范大学人工智能与未来网络研究院） ； Faculty of Arts and Sciences, Beijing Normal University（北京师范大学文理学院） ； Beijing Normal-Hong Kong Baptist University（北京师范大学-香港 Baptist大学） 纠错

AI总结 本文提出ODUTQA-MDC任务及首个综合基准，包含大规模数据集、细粒度标注方案和动态澄清界面，提出MAIC-TQA框架以检测歧义、通过对话澄清并优化答案。

Comments This paper has been accepted by ACL 2026 (main conference)

Persona-E$^2$: A Human-Grounded Dataset for Personality-Shaped Emotional Responses to Textual Events

Persona-E$^2$: 一种基于人类的用于个性塑造文本事件情感反应的数据集

Yuqin Yang, Haowu Zhou, Haoran Tu, Zhiwen Hui, Shiqi Yan, HaoYang Li, Dong She, Xianrong Yao, Yang Gao, Zhanpeng Jin

机构 * School of Future Technology（未来技术学院） 纠错

AI总结 本文提出Persona-E$^2$数据集，通过标注MBTI和Big Five特质，捕捉读者对新闻、社交媒体和生活叙事的情感变化，发现性格信息显著提升理解，缓解'性格幻觉'。

Comments Accepted by ACL 2026 Main

Synthetic Data Generation for Training Diversified Commonsense Reasoning Models

为训练多样化常识推理模型生成合成数据

Tianhui Zhang, Bei Peng, Danushka Bollegala

机构 * University of Liverpool（利物浦大学） ； University of Sheffield（谢菲尔德大学） ； Amazon（亚马逊） 纠错

AI总结 本文提出两阶段方法生成首个合成数据集CommonSyn，提升生成多样性和质量，适用于不同规模的大语言模型。

Comments ACL2026 Main

Why Agents Compromise Safety Under Pressure

为何智能体在压力下妥协安全

Hengle Jiang, Ke Tang

机构 * Guangdong Provincial Key Laboratory of Brain-inspired Intelligent Computation, Department of Computer Science and Engineering, Southern University of Science and Technology（广东省脑启发智能计算重点实验室，计算机科学与工程系，南方科技大学） 纠错

AI总结 本文研究了智能体在复杂环境中为追求目标而妥协安全的问题，揭示了'智能体压力'概念，并提出通过压力隔离等策略缓解这一现象。

Comments Accepted by ACL 2026 Findings; 18 pages, 5 figures

HeteroCache: A Dynamic Retrieval Approach to Heterogeneous KV Cache Compression for Long-Context LLM Inference

HeteroCache：一种用于长上下文LLM推理的异构KV缓存压缩动态检索方法

Zhiyuan Shi, Qibo Qiu, Feng Xue, Zhonglin Jiang, Li Yu, Jian Jiang, Xiaofei He, Wenxiao Wang

机构 * School of Software Technology, Zhejiang University（浙江大学软件学院） ； China Mobile (Zhejiang) Research & Innovation Institute（中国移动（浙江）研究院） ； State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD与CG国家重点实验室） ； Geely Automobile Research Institute (Ningbo) Co., Ltd.（吉利汽车研究院（宁波）有限公司） ； FABU Inc.（FABU公司） 纠错

AI总结 本文提出HeteroCache，通过动态检索方法解决KV缓存压缩问题，利用头部异质性和空间冗余性，实现高效缓存分配和存储机制，提升长上下文推理性能。

Comments Accepted to ACL 2026 Main Conference

Omni-R1: Towards the Unified Generative Paradigm for Multimodal Reasoning

Omni-R1：迈向多模态推理的统一生成范式

Dongjie Cheng, Yongqi Li, Zhixin Ma, Hongru Cai, Yupeng Hu, Wenjie Wang, Liqiang Nie, Wenjie Li

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Singapore Management University（新加坡国立大学） ； Shandong University（山东大学） ； University of Science and Technology of China（中国科学技术大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） 纠错

AI总结 本文提出Omni-R1，通过生成中间图像统一多模态推理技能，解决单一任务特定推理模式限制的问题，并引入Omni-R1-Zero无需多模态标注实现文本仅推理数据的逐步可视化。

Comments Accepted by ACL2026 Findings

Towards Fine-Grained and Multi-Granular Contrastive Language-Speech Pre-training

迈向细粒度和多粒度对比语言-语音预训练

Yifan Yang, Bing Han, Hui Wang, Wei Wang, Ziyang Ma, Long Zhou, Zengrui Jin, Guanrou Yang, Tianrui Wang, Xu Tan, Xie Chen

AI总结 本文提出FCaps数据集，通过端到端流程生成细粒度语音描述，构建CLSP模型实现细粒度和多粒度语音-语言表示，实验显示其在多种任务中表现优异。

Comments Accepted in ACL 2026 Main

SpiralThinker: Latent Reasoning through an Iterative Process with Text-Latent Interleaving

SpiralThinker: 通过文本-潜在交织的迭代过程进行潜在推理

Shengmin Piao, Sanghyun Park

机构 * Yonsei University（延世大学） 纠错

AI总结 SpiralThinker通过文本-潜在交织的迭代过程实现稳定潜在推理，结合渐进对齐目标和结构化标注，提升推理稳定性与一致性，实现数学、逻辑和常识推理任务的SOTA性能。

Comments Accepted by ACL 2026 Findings

VCORE: Variance-Controlled Optimization-based Reweighting for Chain-of-Thought Supervision

VCORE: 基于方差控制的优化重加权用于链式推理监督

Xuan Gong, Senmiao Wang, Hanbo Huang, Ruoyu Sun, Shiyu Liang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）） 纠错

AI总结 VCORE通过将链式推理监督转化为约束优化问题，实现对token的自适应监督分配，提升大语言模型的推理泛化能力，在数学和编程基准测试中表现突出。

Comments Accepted to ACL2026 Main Conference

From Charts to Code: A Hierarchical Benchmark for Multimodal Models

从图表到代码：一个多模态模型的分层基准

Jiahao Tang, Henry Hengyuan Zhao, Lijian Wu, Zijian Zhang, Yifei Tao, Dongxing Mao, Yang Wan, Jingru Tan, Min Zeng, Min Li, Alex Jinpeng Wang

机构 * CSU-JPG, Central South University（中南大学CSU-JPG） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出Chart2Code基准，用于评估大多模态模型的图表理解和代码生成能力，包含三个层级任务，涵盖图表复现、编辑和长表转图表生成，测试了25种最先进的LMMs，结果显示GPT-5在编辑任务中表现不佳，凸显了该基准的挑战性。

Comments This work has been accepted by ACL 2026 Main

MTSQL-R1: Towards Long-Horizon Multi-Turn Text-to-SQL via Agentic Training

MTSQL-R1：通过代理训练实现长视界多轮文本到SQL

Taicheng Guo, Hai Wang, ChaoChun Liu, Mohsen Golalikhani, Xin Chen, Xiangliang Zhang, Chandan K. Reddy

机构 * University of Notre Dame（诺特丹大学） ； Amazon（亚马逊） ； Salesforce 纠错

AI总结 MTSQL-R1通过代理训练框架提升多轮文本到SQL任务的长视界表现，通过环境驱动验证和记忆引导细化提升对话连贯性。

Comments ACL 2026 Main camera-ready version

Table Question Answering in the Era of Large Language Models: A Comprehensive Survey of Tasks, Methods, and Evaluation

在大语言模型时代表问题回答的综合调查：任务、方法和评估

Wei Zhou, Bolei Ma, Annemarie Friedrich, Mohsen Mesgar

机构 * Bosch Center for Artificial Intelligence, Renningen, Germany（博世人工智能研究中心，德国Renningen） ； LMU Munich & Munich Center for Machine Learning, Germany（慕尼黑大学 & 慕尼黑机器学习中心，德国） ； University of Augsburg, Germany（奥格斯堡大学，德国） 纠错

AI总结 本文综述了表问题回答任务，探讨了基于大语言模型的方法，分析了现有基准和任务设置，并指出了未被系统覆盖的及时主题，为该领域提供了一个统一的基础。

Comments Accepted at ACL 2026 Main

Evaluating Robustness of Large Language Models Against Multilingual Typographical Errors

评估大型语言模型对多语言拼写错误的鲁棒性

Raoyuan Zhao, Yihong Liu, Lena Altinger, Hinrich Schütze, Michael A. Hedderich

机构 * Center for Information and Language Processing（信息与语言处理中心） ； LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） 纠错

AI总结 本文提出MulTypo算法，评估18种开源LLM在多语言拼写错误下的表现，发现拼写错误显著降低性能，尤其在生成任务和推理任务中，且语言和任务类型影响鲁棒性，强调需关注噪声训练和多语言鲁棒性评估。

Comments ACL 2026

PRINCIPLES: Synthetic Strategy Memory for Proactive Dialogue Agents

PRINCIPLES：面向前瞻性对话代理的合成策略记忆

Namyoung Kim, Kai Tzu-iunn Ong, Yeonjun Hwang, Minseok Kang, Iiseo Jihn, Gayoung Kim, Minju Kim, Jinyoung Yeo

机构 * Department of Artificial Intelligence, Yonsei University（燕山大学人工智能学院） 纠错

AI总结 本文提出PRINCIPLES，一种基于离线自play模拟的合成策略记忆，用于提升前瞻性对话代理的策略规划能力，无需额外训练和数据标注，在情感支持和说服领域均表现出色。

Comments Accepted to EMNLP 2025 Findings

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025, pages 21329-21368

Aligning Language Models with Real-time Knowledge Editing

对齐语言模型与实时知识编辑

Chenming Tang, Yutong Yang, Kexue Wang, Yunfang Wu

机构 * National Key Laboratory for Multimedia Information Processing, Peking University School of Computer Science, Peking University（国家多媒体信息处理重点实验室，北京大学计算机学院，北京大学） 纠错

AI总结 本文提出CRAFT动态知识编辑数据集及KEDAS方法，通过多样编辑增强和自适应推理提升知识编辑性能，推动从静态更新向动态演化转变。

Comments Accepted to ACL 2026 (main conference)

Synthia: Scalable Grounded Persona Generation from Social Media Data

Synthia：从社交媒体数据中可扩展的 grounded 人格生成

Vahid Rahimzadeh, Erfan Moosavi Monazzah, Mohammad Taher Pilehvar, Yadollah Yaghoobzadeh

机构 * Tehran Institute for Advanced Studies（德黑兰高级研究 institute） ； University of Tehran（德黑兰大学） ； Cardiff University（卡迪夫大学） 纠错

AI总结 Synthia通过结合真实社交媒体数据与语言模型，生成更贴近现实的人格，提升与人类意见分布的一致性，同时在公平性和偏见分析中表现更优，保留交互图结构以支持网络感知分析。

Comments Accepted at ACL 2026 Main Conference, the dataset is available on HuggingFace (see https://huggingface.co/datasets/teias-ai/synthia)

Lizard: An Efficient Linearization Framework for Large Language Models

Lizard：一种高效的大型语言模型线性化框架

Chien Van Nguyen, Huy Nguyen, Ruiyi Zhang, Hanieh Deilamsalehy, Puneet Mathur, Viet Dac Lai, Haoliang Wang, Jayakumar Subramanian, Ryan A. Rossi, Trung Bui, Nikos Vlassis, Franck Dernoncourt, Thien Huu Nguyen

机构 * University of Oregon（俄勒冈大学） ； Adobe Research（Adobe研究院） 纠错

AI总结 Lizard提出一种高效线性化框架，将预训练的Transformer大型语言模型转换为亚二次架构，通过亚二次注意力机制提升计算效率，实现模型质量与内存控制的平衡。

Comments ACL 2026 (Main)

The Thin Line Between Comprehension and Persuasion in LLMs

在语言模型中理解与说服之间的微妙界限

Adrian de Wynter, Tangming Yuan

机构 * Microsoft（微软公司） ； The University of York（约克大学） 纠错

AI总结 研究通过人机辩论探讨LLM的说服能力是否反映真实理解，发现其能维持连贯对话但缺乏深层对话结构理解，揭示了部署在解释关键场景中的伦理与实践问题。

Comments Accepted to ACL Findings 2026

Scaling External Knowledge Input Beyond Context Windows of LLMs via Multi-Agent Collaboration

通过多智能体协作扩展LLM上下文窗口之外的知识输入

Zijun Liu, Zhennan Wan, Peng Li, Ming Yan, Fei Huang, Yang Liu

机构 * Dept. of Comp. Sci. & Tech., Institute for AI, Tsinghua University, Beijing, China（计算机科学与技术系，人工智能研究院，清华大学，北京，中国） ； Institute for AI Industry Research (AIR), Tsinghua University, Beijing, China（人工智能产业研究院（AIR），清华大学，北京，中国） ； Institute of Intelligent Computing, Alibaba Group（智能计算研究院，阿里巴巴集团） 纠错

AI总结 本文提出ExtAgents框架，通过多智能体协作提升LLM在不延长上下文窗口的情况下整合外部知识的能力，实验证明其在多跳问答和长文本生成任务中优于现有方法。

Comments Accepted to ACL 2026. 31 pages, 10 figures. Code and data are available at https://github.com/THUNLP-MT/ExtAgents

Two-Stage Regularization-Based Structured Pruning for LLMs

基于两阶段正则化的结构剪枝用于大语言模型

Mingkuan Feng, Jinyang Wu, Siyuan Liu, Shuai Zhang, Hongjian Fang, Ruihan Jin, Feihu Che, Pengpeng Shao, Zhengqi Wen, Jianhua Tao

机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； Beijing National Research Center for Information Science and Technology（北京信息科学研究院） 纠错

AI总结 本文提出TRSP方法，通过两阶段正则化提升大语言模型结构剪枝效果，减少知识损失并无需重新训练，实验显示其优于现有方法，实现高效部署。

Comments ACL 2026 Main

Follow the Path: Reasoning over Knowledge Graph Paths to Improve Large Language Model Factuality

跟随路径：通过知识图谱路径推理提升大语言模型事实性

Mike Zhang, Johannes Bjerva, Russa Biswas

机构 * University of Copenhagen（哥本哈根大学） ； Aalborg University（奥尔堡大学） ； Pioneer Centre for Artificial Intelligence（先锋人工智能中心） 纠错

AI总结 本文提出fs1方法，通过收集大推理模型的推理轨迹并将其锚定在知识图谱路径上，提升大语言模型的事实性，在六个复杂开放领域问答基准测试中表现优异。

Comments Accepted at ACL Findings 2026

RA-RRG: Multimodal Retrieval-Augmented Radiology Report Generation with Key Phrase Extraction

RA-RRG：结合关键短语提取的多模态检索增强放射学报告生成

Jonggwon Park, Byungmu Yoon, Soobum Kim, Kyoyun Choi

机构 * DEEPNOID Inc.（DEEPNOID公司） ； Department of Artificial Intelligence and Data Science, Sejong University（Sejong大学人工智能与数据科学系） 纠错

AI总结 RA-RRG通过结合多模态检索与大语言模型生成放射学报告，减少幻觉和计算需求，实验显示在CheXbert指标上优于现有模型。

Comments ACL 2026, Findings of the Association for Computational Linguistics

MathFlow: Enhancing the Perceptual Flow of MLLMs for Visual Mathematical Problems

MathFlow: 提升多模态大语言模型在视觉数学问题中的感知流

Shuhang Chen, Hangjie Yuan, Yunqiu Xu, Pengwei Liu, Tao Feng, Jun Cen, Zeying Huang, Yi Yang

机构 * Zhejiang University（浙江大学） ； Intelligent Learning（智能学习） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出MathFlow框架，通过分离感知与推理阶段，提升多模态大语言模型在视觉数学问题中的表现，实验表明其在不同推理模型中均有效。

Comments Accepted by ACL 2026 Main Conference

MARCH: Multi-Agent Radiology Clinical Hierarchy for CT Report Generation

MARCH：多智能体放射科临床层级用于CT报告生成

Yi Lin, Yihao Ding, Yonghui Wu, Yifan Peng

机构 * Weill Cornell Medicine（韦尔·科恩医学中心） ； University of Western Australia（西澳大学） ； University of Florida（佛罗里达大学） 纠错

AI总结 MARCH通过模拟放射科专业层级，采用多智能体框架提升CT报告生成的临床准确性和语言准确性。

Comments Accepted by ACL 2026 main conference

ATTNPO: Attention-Guided Process Supervision for Efficient Reasoning

ATTNPO：基于注意力的高效推理过程监督

Shuaiyi Nie, Siyu Ding, Wenyuan Zhang, Linhao Yu, Tianmeng Yang, Yao Chen, Weichong Yin, Yu Sun, Hua Wu, Tingwen Liu

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； Baidu Inc.（百度公司） ； Tianjin University（天津大学） 纠错

AI总结 本文提出ATTNPO，通过利用模型内在注意力信号进行步骤级信用分配，有效减少推理长度并提升性能，适用于9个基准测试。

Comments Accepted by ACL 2026 Main

HumanLLM: Benchmarking and Improving LLM Anthropomorphism via Human Cognitive Patterns

HumanLLM：通过人类认知模式基准测试和改进LLM拟人化

Xintao Wang, Jian Yang, Weiyuan Li, Rui Xie, Jen-tse Huang, Jun Gao, Shuai Huang, Yueping Kang, Yuanli Gou, Hongwei Feng, Yanghua Xiao

机构 * Fudan University（复旦大学） ； Hello Group（Hello集团） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 HumanLLM通过构建244种心理模式和11359种场景，评估LLM拟人化的有效性，发现认知建模比单纯模拟行为更重要，其8B模型在参数更少的情况下优于Qwen3-32B。

Comments Accepted to ACL 2026 Main Conference

CLewR: Curriculum Learning with Restarts for Machine Translation Preference Learning

CLewR：基于重置的课程学习用于机器翻译偏好学习

Alexandra Dragomir, Florin Brad, Radu Tudor Ionescu

机构 * Bitdefender ； Department of Computer Science, University of Bucharest（布加勒斯特大学计算机科学系） 纠错

AI总结 本文提出CLewR方法，通过课程学习与重置策略提升机器翻译性能，验证了在多种模型和优化技术中的有效性。

Comments Accepted at ACL 2026

Mechanisms of Prompt-Induced Hallucination in Vision-Language Models

视觉-语言模型中提示诱导幻觉的机制

William Rudman, Michal Golovanevsky, Dana Arad, Yonatan Belinkov, Ritambhara Singh, Carsten Eickhoff, Kyle Mahowald

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Brown University（布朗大学） ； Technion（技术学院） ； University of Tübingen（图宾根大学） ； Harvard University（哈佛大学） 纠错

AI总结 研究揭示了视觉-语言模型在提示诱导幻觉中的机制，通过分析三种模型发现特定注意力头可显著减少幻觉现象，揭示了模型对提示的响应差异。

Comments ACL 2026 Main

RepoShapley: Shapley-Enhanced Context Filtering for Repository-Level Code Completion

RepoShapley：基于Shapley的上下文过滤用于仓库级代码补全

Yu Huo, Kun Zeng, Siyu Zhang, Yuquan Lu, Cheng Yang, Yifu Guo, Xiaoying Tang

AI总结 RepoShapley通过Shapley式边际贡献监督，实现仓库级代码补全的上下文过滤，提升补全质量并减少有害上下文和冗余检索。

Comments ACL 2026 Findings