ACL

Towards Proactive Information Probing: Customer Service Chatbots Harvesting Value from Conversation

迈向主动信息探测：客服聊天机器人从对话中获取价值

Chen Huang, Zitan Jiang, Changyi Zou, Wenqiang Lei, See-Kiong Ng

机构 * Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所） ； College of Computer Science, Sichuan University（四川大学计算机学院） ； Engineering Research Center of Machine Learning and Industry Intelligence, Ministry of Education, China（教育部机器学习与产业智能工程研究中心） 纠错

AI总结 本文提出主动信息探测任务，设计PROCHATIP框架，通过优化探测时机提升信息获取效率和服务质量，实验表明其在信息探测和服务质量方面优于基线模型。

Comments Findings of ACL 2026

Who Wrote This Line? Evaluating the Detection of LLM-Generated Classical Chinese Poetry

是谁写的这行诗？评估LLM生成古典中文诗歌的检测

Jiang Li, Tian Lan, Shanshan Wang, Dongxing Zhang, Dianqing Lin, Guanglai Gao, Derek F. Wong, Xiangdong Su

机构 * College of Computer Science, Inner Mongolia University, China（内蒙古大学计算机学院，中国） ； National & Local Joint Engineering Research Center of Intelligent Information Processing Technology for Mongolian, China（蒙古语智能信息处理技术国家与地方联合工程研究中心，中国） ； NLP²CT Lab, Department of Computer and Information Science, University of Macau, China（澳门大学计算机与信息科学学院NLP²CT实验室，中国） 纠错

AI总结 本文提出ChangAn基准，用于评估AI检测器对LLM生成的古典中文诗歌的检测能力，揭示现有工具的局限性。

Comments Accepted to ACL 2026 Main Conference

MAB-DQA: Addressing Query Aspect Importance in Document Question Answering with Multi-Armed Bandits

MAB-DQA: 通过多臂老虎机解决文档问答中的查询方面重要性

Yixin Xiang, Yunshan Ma, Xiaoyu Du, Yibing Chen, Yanxin Zhang, Jinhui Tang

机构 * Nanjing University of Science and Technology（南京理工大学） ； Singapore Management University（新加坡国立大学） ； Nanjing Pami Intelligent Technology Co., Ltd.（南京帕米智能科技有限公司） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； Nanjing Forestry University（南京林业大学） 纠错

AI总结 本文提出MAB-DQA框架，通过多臂老虎机模型解决文档问答中查询方面的重要性问题，通过分解查询为方面感知的子查询并动态分配检索预算，提升文档理解性能。

Comments Accepted by ACL 2026. 20 pages, 9 figures, 6 tables

Feedback Adaptation for Retrieval-Augmented Generation

基于反馈的检索增强生成反馈适应

Jihwan Bang, Seunghan Yang, Kyuhong Shim, Simyung Chang, Juntae Lee, Sungha Choi

机构 * Qualcomm AI Research（高通人工智能研究） 纠错

AI总结 研究提出反馈适应问题，通过引入修正延迟和反馈后性能两个指标，评估RAG系统在反馈后的适应能力，并提出PatchRAG模型实现即时修正与强泛化。

Comments Accepted at ACL 2026 Findings

VideoStir: Understanding Long Videos via Spatio-Temporally Structured and Intent-Aware RAG

VideoStir：通过时空结构化和意图感知的RAG理解长视频

Honghao Fu, Miao Xu, Yiwei Wang, Dailing Zhang, Jun Liu, Yujun Cai

机构 * University of Queensland（昆士兰大学） ； University of California, Merced（加州大学默塞德分校） ； Institute of Automation, CAS（中国科学院自动化研究所） ； Lancaster University（兰卡斯特大学） 纠错

AI总结 VideoStir通过构建时空图和意图相关性评分器，改进长视频RAG框架，实现基于意图的结构化推理，无需辅助信息即可竞争现有最佳基线。

Comments Accepted by ACL 2026

CODESTRUCT: Code Agents over Structured Action Spaces

CODESTRUCT: 结构化动作空间中的代码代理

Myeongsoo Kim, Joe Hsu, Dingmin Wang, Shweta Garg, Varun Kumar, Murali Krishna Ramanathan

机构 * AWS AI Labs（AWS人工智能实验室） 纠错

AI总结 CODESTRUCT通过将代码库视为结构化动作空间，改进了代码代理的编辑能力，提升准确率并降低资源消耗。

Comments Accepted at ACL 2026 main conference

Right at My Level: A Unified Multilingual Framework for Proficiency-Aware Text Simplification

就在我的水平上：一种统一的多语言框架，用于面向能力的文本简化

Jinhong Jeong, Junghun Park, Youngjae Yu

机构 * Yonsei University（延世大学） ； Seoul National University（首尔国立大学） 纠错

AI总结 本文提出Re-RIGHT框架，通过强化学习实现无需平行语料的多语言文本简化，提升目标水平的词汇覆盖和语义保持。

Comments Accepted to ACL 2026

XMark: Reliable Multi-Bit Watermarking for LLM-Generated Texts

XMark：用于LLM生成文本的可靠多比特水印

Jiahao Xu, Rui Hu, Olivera Kotevska, Zikai Zhang

机构 * University of Nevada, Reno（内华达大学林肯分校） ； Oak Ridge National Laboratory（橡树岭国家实验室） 纠错

AI总结 XMark通过改进编码器和解码器实现高效多比特水印，提升解码准确性并保持文本质量，在多种下游任务中表现优于现有方法。

Comments Accepted by ACL 2026 as a main conference paper

Language on Demand, Knowledge at Core: Composing LLMs with Encoder-Decoder Translation Models for Extensible Multilinguality

按需语言，知识为核心：通过编码器-解码器翻译模型组成LLM以实现可扩展的多语言性

Mengyu Bu, Yang Feng

机构 * Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences（智能信息处理重点实验室，计算技术研究所，中国科学院） ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） 纠错

AI总结 本文提出XBridge架构，利用预训练翻译模型实现多语言理解和生成，同时保留LLM作为英语核心处理通用知识，通过轻量级跨模型映射层和最优传输对齐目标，提升多语言生成性能。

Comments ACL 2026 Main Conference. Code: https://github.com/ictnlp/XBridge | Models: https://huggingface.co/collections/ICTNLP/xbridge

OmniCompliance-100K: A Multi-Domain, Rule-Grounded, Real-World Safety Compliance Dataset

OmniCompliance-100K：一个多领域、基于规则、现实世界安全合规数据集

Wenbin Hu, Huihao Jing, Haochen Shi, Changxuan Fan, Haoran Li, Yangqiu Song

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

AI总结 本文构建了一个涵盖74项法规的多领域安全合规数据集，包含12,985条规则和106,009个现实案例，通过基准测试评估了不同规模LLM的安全合规能力。

Comments Accepted to ACL 2026 Findings

IF-RewardBench: Benchmarking Judge Models for Instruction-Following Evaluation

IF-RewardBench：用于指令遵循评估的评判模型基准测试

Bosi Wen, Yilin Niu, Cunxiang Wang, Xiaoying Ling, Ying Zhang, Pei Ke, Hongning Wang, Minlie Huang

机构 * The Conversational Artificial Intelligence (CoAI) Group, Tsinghua University（清华大学对话人工智能（CoAI）小组） ； Zhipu AI（智谱AI） ； University of Electronic Science and Technology of China（电子科技大学） 纠错

AI总结 本文提出IF-RewardBench，一个全面的指令遵循元评估基准，通过构建偏好图评估评判模型的排序能力，揭示现有模型缺陷，并展示其在下游任务中的更强相关性。

Comments ACL 2026

How Retrieved Context Shapes Internal Representations in RAG

检索上下文如何塑造RAG中的内部表示

Samuel Yeh, Sharon Li

机构 * Department of Computer Science, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系） 纠错

AI总结 研究通过潜在表示分析检索文档类型对LLM隐藏状态的影响，揭示上下文相关性和分层处理对内部表示的影响，为RAG系统设计提供见解。

Comments ACL 2026 Findings

Anonpsy: A Graph-Based Framework for Structure-Preserving De-identification of Psychiatric Narratives

Anonpsy：一种基于图的框架，用于结构保持的 psychiatric 叙述去标识化

Kyung Ho Lim, Byung-Hoon Kim

机构 * Yonsei University College of Medicine（延世大学医学院） ； Yonsei Institute for Digital Healthcare（延世大学数字医疗研究所） 纠错

AI总结 Anonpsy 通过图引导的语义重写，有效保持 psychiatric 叙述的结构同时降低重新识别风险，优于传统方法。

Comments ACL 2026 Findings

De-Anonymization at Scale via Tournament-Style Attribution

通过竞赛式归因实现大规模去匿名化

Lirui Zhang, Huishuai Zhang

机构 * Beihang University（北京航空航天大学） ； Peking University（北京大学） 纠错

AI总结 研究利用LLM链接匿名文档与其作者，提出大规模去匿名化方法DAS，通过分组筛选和多数投票提升鲁棒性和精度，实验显示在匿名平台存在现实隐私风险。

Comments 14 pages, ACL 2026 Oral

Language of Thought Shapes Output Diversity in Large Language Models

语言形态影响大语言模型的输出多样性

Shaoyang Xu, Wenxuan Zhang

机构 * iNLP Lab, Singapore University of Technology and Design（新加坡科技设计大学iNLP实验室） 纠错

AI总结 本文研究了语言形态对大语言模型输出多样性的影响，通过多语言思考策略提升输出多样性，并在实际应用中展现文化知识的广泛覆盖。

Comments acl2026

Beyond Literal Mapping: Benchmarking and Improving Non-Literal Translation Evaluation

超越字面映射：非字面翻译评估的基准测试与改进

Yanzhi Tian, Cunxiang Wang, Zeming Liu, Heyan Huang, Wenbo Yu, Dawei Song, Jie Tang, Yuhang Guo

机构 * School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院） ； Zhipu AI（智谱AI） ； The Knowledge Engineering Group (KEG), Tsinghua University（清华大学知识工程组） ； School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） 纠错

AI总结 本文提出RATE框架，通过反思核心代理动态调用专用子代理，提升非字面翻译评估的准确性，实验显示其在系统和段级相关性上比现有方法提高至少3.2分。

Comments Accepted to ACL 2026 Main Conference

All Changes May Have Invariant Principles: Improving Ever-Shifting Harmful Meme Detection via Design Concept Reproduction

所有变化可能都有不变原则：通过设计概念再现改进永动有害迷因检测

Ziyou Jiang, Mingyang Li, Junjie Wang, Yuekai Huang, Jie Huang, Zhiyuan Chang, Zhaoyang Li, Qing Wang

机构 * State Key Laboratory of Complex System Modeling and Simulation Technology（复杂系统建模与仿真技术国家重点实验室） ； Science and Technology on Integrated Information System Laboratory Institute of Software Chinese Academy of Sciences（软件研究所信息集成系统技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 本文提出RepMD方法，通过设计概念再现检测不断变化的有害迷因，利用攻击树定义设计概念图，并指导多模态大语言模型提高检测准确率。

Comments 19 pages, 11 figures, 9 tables accepted by ACL 2026 main conference

GAMBIT: A Gamified Jailbreak Framework for Multimodal Large Language Models

GAMBIT：一种用于多模态大语言模型的游戏化突破框架

Xiangdong Hu, Yangyang Jiang, Qin Hu, Xiaojun Jia

机构 * Georgia State University（佐治亚州立大学） ； Shandong University（山东大学） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） 纠错

AI总结 本文提出GAMBIT框架，通过分解重组有害视觉语义并构建游戏化场景，使模型在探索和重建意图中主动完成突破，提升攻击成功率。

Comments Accepted to the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026), Main Conference

Style Amnesia: Investigating Speaking Style Degradation and Mitigation in Multi-Turn Spoken Language Models

风格失忆：多轮对话中 spoken language models 的说话风格退化与缓解研究

Yu-Xiang Lin, Cheng-Han Chiang, Hung-yi Lee

机构 * National Taiwan University（国立台湾大学） ； NTU Artificial Intelligence Center of Research Excellence (NTU AI-CoRE)（国立交通大学人工智能卓越研究中心（NTU AI-CoRE）） 纠错

AI总结 本文研究了多轮对话中 spoken language models 无法维持指定说话风格的问题，发现模型在后续对话中无法保持一致性，通过实验表明模型在被提示时可回忆风格指令但无法正确表达，需改进以提升风格一致性。

Comments ACL 2026 Findings

Social Story Frames: Contextual Reasoning about Narrative Intent and Reception

社交故事框架：关于叙事意图和接受的上下文推理

Joel Mire, Maria Antoniak, Steven R. Wilson, Zexin Ma, Achyutarama R. Ganti, Andrew Piper, Maarten Sap

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of Michigan-Flint（密歇根大学弗林特分校） ； University of Connecticut（康涅狄格大学） ； McGill University（麦吉尔大学） 纠错

AI总结 本文提出SocialStoryFrames框架，通过对话上下文和叙事理论等理论，构建了读者反应的正式化模型，用于分析社交媒体中的叙事意图和接受情况。

Comments ACL 2026 (Main)

Finch: Benchmarking Finance & Accounting across Spreadsheet-Centric Enterprise Workflows

Finch：跨电子表格中心企业工作流的金融与会计基准测试

Haoyu Dong, Pengkun Zhang, Yan Gao, Xuanyu Dong, Yilin Cheng, Mingzhe Lu, Zikun Zhu, Adina Yakefu, Shuxin Zheng

AI总结 Finch通过真实企业工作流评估AI代理，包含数据录入、结构化、格式化等任务，涵盖预算、交易等多领域，展示了AI在复杂企业工作流中的挑战。

Comments ACL 2026 Findings

Graph-Based Alternatives to LLMs for Human Simulation

基于图的LLM替代方案：人类模拟

Joseph Suh, Suhong Moon, Serina Chang

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文研究了多种封闭式模拟任务，提出图神经网络可匹配或超越LLM方法，GEMS模型在三个数据集上表现优异，参数更少且透明。

Comments Conference: ACL 2026 Long Main Code: https://github.com/schang-lab/gems

IF-CRITIC: Towards a Fine-Grained LLM Critic for Instruction-Following Evaluation

IF-CRITIC：面向指令遵循评估的细粒度LLM批评者

Bosi Wen, Yilin Niu, Cunxiang Wang, Pei Ke, Xiaoying Ling, Ying Zhang, Aohan Zeng, Hongning Wang, Minlie Huang

机构 * The Conversational Artificial Intelligence (CoAI) Group, Tsinghua University（清华大学对话人工智能（CoAI）小组） ； Zhipu AI（智谱AI） ； University of Electronic Science and Technology of China（电子科技大学） ； The Knowledge Engineering Group (KEG), Tsinghua University（清华大学知识工程小组（KEG）） 纠错

AI总结 本文提出IF-CRITIC，通过细粒度、高效且可靠的评估方法提升LLM指令遵循能力，采用检查清单生成器和约束级偏好优化训练模型，实验表明其优于现有基线模型。

Comments ACL 2026

Do Not Step Into the Same River Twice: Learning to Reason from Trial and Error

不要踏进同一条河两次：从试错中学习推理

Chenming Tang, Hsiu-Yuan Huang, Weijie Liu, Clive Bai, Saiyong Yang, Yunfang Wu

机构 * National Key Laboratory for Multimedia Information Processing（国家多媒体信息处理重点实验室） ； School of Computer Science（计算机学院） ； LLM Department, Tencent（腾讯LLM部门） 纠错

AI总结 本文提出LTE方法，通过提示模型自身之前的错误来提升推理能力，优于传统方法并在多个数学推理基准上表现更佳。

Comments Accepted to ACL 2026 (main conference)

MCP-Flow: Facilitating LLM Agents to Master Real-World, Diverse and Scaling MCP Tools

MCP-Flow：帮助LLM代理掌握现实世界、多样且可扩展的MCP工具

Wenhao Wang, Peizhi Niu, Zhao Xu, Zhaoyu Chen, Jian Du, Yaxin Du, Xianghe Pang, Keduan Huang, Yanfeng Wang, Qiang Yan, Siheng Chen

机构 * TikTok ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； University of Illinois at Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 MCP-Flow通过自动化流程提升LLM在现实世界MCP环境中的能力，通过大规模服务器发现、数据合成和模型训练，生成高质量指令-功能调用对和轨迹，推动代理任务性能提升。

Comments ACL 2026 Main, Camera Ready

Your LLM Agents are Temporally Blind: The Misalignment Between Tool Use Decisions and Human Time Perception

你的LLM代理是时间盲的：工具使用决策与人类时间感知之间的不一致

Yize Cheng, Arshia Soltani Moakhar, Chenrui Fan, Parsa Hosseini, Kazem Faghih, Zahra Sodagar, Wenxiao Wang, Soheil Feizi

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 研究揭示LLM代理在动态环境中因时间感知不足导致的工具调用偏差，通过TicToc数据集分析发现现有模型与人类时间感知对齐率低，提出通过后训练对齐提升多轮对话中工具使用与人类时间感知的一致性。

Comments ACL 2026 (findings), Camera-ready

BoundRL: Efficient Structured Text Segmentation through Reinforced Boundary Generation

BoundRL: 通过强化边界生成实现高效的结构化文本分段

Haoyuan Li, Zhengyuan Shen, Sullam Jeoung, Yueyan Chen, Jiayu Li, Qi Zhu, Shuai Wang, Vassilis Ioannidis, Huzefa Rangwala

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Amazon Web Services（亚马逊网络服务） 纠错

AI总结 本文提出BoundRL，一种高效处理长结构化文本的分段与标签预测方法，通过强化学习优化文档重建和语义对齐，减少输出token并降低幻觉风险，实验证明其在复杂提示下优于其他基线方法。

Comments accepted by ACL 2026 findings

DeepPrune: Parallel Scaling without Inter-trace Redundancy

DeepPrune: 无需跨轨迹冗余的并行扩展

Shangqing Tu, Yaxuan Li, Yushi Bai, Lei Hou, Juanzi Li

机构 * Tsinghua University（清华大学） ； ShanghaiTech University（上海科技大学） 纠错

AI总结 本文提出DeepPrune框架，通过动态剪枝解决并行推理中的冗余问题，实现65.73%-88.50%的token减少，保持高精度。

Comments Accepted by ACL 2026 Findings, please check out the project page: https://deepprune.github.io/

Language Model as Planner and Formalizer under Constraints

语言模型作为规划器和形式化工具的约束下

Cassie Huang, Stuti Mohan, Ziyi Yang, Stefanie Tellex, Li Zhang

机构 * Drexel University（德雷塞尔大学） ； Brown University（布朗大学） 纠错

AI总结 研究通过引入细粒度自然语言约束，揭示语言模型在规划任务中的性能下降，指出其鲁棒性不足及未来研究方向。

Comments In ACL 2026 main conference

Towards Bridging the Reward-Generation Gap in Direct Alignment Algorithms

朝着弥合直接对齐算法中的奖励生成差距而努力

Zeguan Xiao, Yun Chen, Guanhua Chen, Ke Tang

机构 * Shanghai University of Finance and Economics（上海财经大学） ； Beihang University（北航） ； Southern University of Science and Technology（南方科技大学） 纠错

AI总结 本文探讨了直接对齐算法中奖励生成差距的问题，提出Prefix-Oriented Equal-length Training方法，通过截断响应长度来提升对齐效果，实验显示在AlpacaEval 2上提升显著。

Comments Findings of ACL 2026