期刊&会议
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
SecureVibeBench: 通过重建引入漏洞的场景来基准测试AI代理的安全振动编码
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出SecureVibeBench，一个包含105个C/C++安全编码任务的基准测试，旨在评估AI代理在真实场景中生成安全代码的能力，发现现有方法在评估人类与AI代理对比时的不足。
Comments ACL 2026 Main Conference. Our code and data are on https://github.com/iCSawyer/SecureVibeBench
相似度-距离-幅度激活函数
机构 * Reexpress AI
AI总结 本文提出SDM激活函数，通过引入相似度和距离意识提升softmax的鲁棒性和可解释性，并通过密集匹配实现基于实例的可解释性。SDM估计器通过数据驱动的CDF分区控制分类准确性，优于现有校准方法。
Comments Accepted to Findings of the Association for Computational Linguistics: ACL 2026. 21 pages, 8 tables, 1 algorithm. arXiv admin note: substantial text overlap with arXiv:2502.20167
HARPO：面向用户对齐的对话推荐的分层代理推理
AI总结 HARPO通过分层代理推理框架优化多维推荐质量，结合上下文依赖的偏好学习、 deliberative树搜索和领域无关的推理抽象，提升推荐质量与用户对齐性。
Comments Accepted at the Annual Meeting of the Association for Computational Linguistics (ACL 2026)
大规模多语言联合分割与标注
机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对现有神经标注模型缺乏形态边界预测导致可解释性差的问题，提出PolyGloss模型，通过联合分割与标注提升准确性和对齐度，并支持低秩适应快速迁移。
Comments 15 pages, 9 figures, accepted to ACL 2026 Long Papers
有限状态转换器的神经归纳
机构 * University of Colorado（科罗拉多大学） ； New College of Florida（佛罗里达新学院）
AI总结 提出基于循环神经网络隐藏状态几何自动构建无权重有限状态转换器的方法，在形态变化、音素转换等任务上准确率优于传统算法达87%。
Comments 15 pages, 8 figures, accepted to ACL 2026 Findings
多模态生成式引擎优化：针对视觉-语言模型排序器的排名操纵
机构 * Georgetown University（乔治城大学） ； University of Southern California（南加州大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Arizona State University（亚利桑那州立大学）
AI总结 提出多模态生成式引擎优化（MGEO）方法，通过联合优化图像扰动和文本后缀，利用视觉-语言模型内部跨模态知识耦合，实现对产品排名的有效操纵，揭示了多模态基础模型知识基础的脆弱性。
Comments Proceedings of the 4th Workshop on Towards Knowledgeable Foundation Models (KnowFM) at ACL 2026
弱化形式语义下的基准语言理解
机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； School of Fundamental Science and Engineering（基础科学与工程学院） ； Waseda University（早稻田大学）
AI总结 提出可计算表示方法，通过外部知识检索提取可执行代码，在数学推理、多步推理等基准上超越纯文本推理和单次代码执行，提供可扩展、可检查的语义证据。
Comments Accepted to Transactions of the Association for Computational Linguistics (TACL). 29 pages, 5 figures
打破知识的诅咒：为实时在线会议设计个性化术语支持
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Fujitsu Research of America（富士通美国研究）
AI总结 提出ParseJargon系统，利用用户画像和会话内反馈实现个性化术语识别，提升在线会议中跨学科听众的理解和参与度。
Comments Portions of this work appeared in CHI '26 Extended Abstracts ("Breaking the Curse of Knowledge: Toward Personalized Jargon Support in Online Meetings") and ACL '26 System Demonstrations ("ParseJargon: Personalized Real-time Jargon Support in Online Meetings")
利用语言模型助手发现自杀预防的干预机会
AI总结 研究利用语言模型作为高效助手，辅助国家暴力死亡报告系统（NVDRS）的数据标注和专家工作，发现模型在50个变量上约85%的标注一致，38%的不一致可通过专家审查发现标注差异，并引入人机协同算法优化新变量标注流程。
Comments Project Website: https://dill-lab.github.io/interventions_lm_assistants/
Journal ref In Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics, 2026
探究多模态大语言模型在中国短视频虚假信息中的认知偏差
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Chinese University of Hong Kong（香港中文大学） ； University of Chicago（芝加哥大学） ； Renmin University of China（中国人民大学）
AI总结 本文通过200个短视频数据集评估8种多模态大语言模型在健康领域虚假信息中的表现，发现Gemini-2.5-Pro表现最佳（信念分数71.5/100），而模型易受权威频道ID等社会线索影响。
Comments Accepted to ACL 2026 (Findings)
MACS: 模态感知容量缩放用于高效多模态MoE推理
机构 * School of Software, Tsinghua University, Beijing, China（清华大学软件学院，北京，中国） ； TJUNLP Lab, School of Computer Science and Technology, Tianjin University, China（天津大学计算机科学与技术学院，中国） ； School of New Media and Communication, Tianjin University, China（天津大学新媒体与传播学院，中国）
AI总结 针对多模态MoE大模型在专家并行推理中因信息异质性和模态动态性导致的效率瓶颈，提出无需训练的MACS框架，通过熵加权负载和动态模态自适应容量机制优化资源分配，显著提升多模态基准性能。
Comments Accepted by ACL 2026
仅需两个样本的自一致性：CoT-PoT集成实现高效LLM推理
机构 * Carnegie Mellon University Qatar（卡内基梅隆大学（卡塔尔）） ； Qatar Computing Research Institute（卡塔尔计算研究院）
AI总结 提出一种混合集成方法，结合思维链与程序化推理两种模式，通过仅需两个样本即可实现自一致性，将采样量减少9.3倍，并在78.6%的任务上达到最优。
Comments 9 pages, 3 figures; accepted to Findings of ACL 2026
教会奖励模型自我修正：奖励引导的对抗性失败发现以实现鲁棒奖励建模
机构 * University of Maryland College Park（马里兰大学College Park分校） ； Capital One
AI总结 提出REFORM框架，通过奖励引导的受控解码自动发现奖励模型失败模式，并利用生成的对抗样本自我改进，提升鲁棒性而不牺牲奖励质量。
Journal ref ACL 2026 Main Conference [Oral]
TSAQA：时间序列分析问答基准
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Virginia Polytechnic Institute and State University（弗吉尼亚理工学院和州立大学） ； Amazon（亚马逊） ； Meta AI ； University of Houston（休斯顿大学）
AI总结 提出TSAQA基准，涵盖6种时间序列分析任务（含新型PZ格式），评估LLM在13领域21万样本上的表现，最佳模型仅65.08分。
Comments Comments: 35 pages, 7 figures. Accepted to the GEM Workshop at ACL 2026
DialDefer: 检测和缓解LLM对话性遵从的框架
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出DialDefer框架，通过对话性遵从分数检测和缓解LLM在对话评估中因提问框架导致的判断偏移，发现框架效应显著但准确率稳定，且模型对人类与AI的不同归因产生最大偏移。
Comments 10 pages main content, 7 figures, 35 pages total with appendix
Journal ref ACL 2026 - Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)
AdaJudge: 自适应多视角评判用于奖励建模
机构 * Emory University（埃默里大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 提出AdaJudge框架，通过门控精化块和自适应多视角池化模块，联合优化表示与聚合，解决奖励建模中静态归纳偏差和表示不匹配问题，在RM-Bench和JudgeBench上超越现有模型。
Comments ACL 2026
分析LLM生成文本中说服性语言的差异：揭示刻板的性别模式
机构 * Department of Computer Science, Aarhus University（阿arhus大学计算机科学系） ； AMD Silo AI ； University of Tokyo（东京大学） ； IT University of Copenhagen（哥本哈根IT大学） ； Department of Computer Science, University of Copenhagen（哥本哈根大学计算机科学系）
AI总结 提出框架评估LLM生成说服性语言时受接收者性别、发送者意图和输出语言的影响，发现所有模型均存在显著的性别差异，反映性别刻板印象的语言倾向。
Comments Accepted at ACL Findings 2026
SlideAgent：用于多页视觉文档理解的分层代理框架
机构 * Georgia Institute of Technology（佐治亚理工学院） ； J.P. Morgan AI Research（摩根大通AI研究）
AI总结 提出SlideAgent，一种用于多模态多页文档（如幻灯片）理解的分层代理框架，通过全局、页面和元素三级推理构建结构化表示，在专有和开源模型上分别提升7.9%和9.8%的准确率。
Comments ACL 2026 Main Conference. https://slideagent.github.io/
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