ACL

Every Response Counts: Quantifying Uncertainty of LLM-based Multi-Agent Systems through Tensor Decomposition

每种回应都重要：通过张量分解量化基于大语言模型的多智能体系统不确定性

Tiejin Chen, Huaiyuan Yao, Jia Chen, Evangelos E. Papalexakis, Hua Wei

机构 * Arizona State University（亚利桑那州立大学） ； University of California, Riverside（加利福尼亚大学河滨分校） 纠错

AI总结 本文提出MATU框架，通过张量分解量化多智能体系统中的不确定性，解决多步推理、通信路径变化和拓扑多样性等挑战，提供通用可靠性评估。

Comments Accept to ACL 26

HyperMem: Hypergraph Memory for Long-Term Conversations

HyperMem：用于长期对话的超图记忆

Juwei Yue, Chuanrui Hu, Jiawei Sheng, Zuyi Zhou, Wenyuan Zhang, Tingwen Liu, Li Guo, Yafeng Deng

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空间安全学院） ； EverMind AI 纠错

AI总结 HyperMem通过超图结构建模高阶关联，提升长期对话中的记忆检索效率与准确性，实验表明其在LoCoMo基准上达到92.73%的LLM-as-a-judge准确率。

Comments ACL 2026 Main

MONETA: Multimodal Industry Classification through Geographic Information with Multi Agent Systems

MONETA：通过地理信息和多智能体系统进行多模态行业分类

Arda Yüksel, Gabriel Thiem, Susanne Walter, Patrick Felka, Gabriela Alves Werb, Ivan Habernal

机构 * Trustworthy Human Language Technologies（可信人类语言技术实验室） ； Technical University of Darmstadt, Germany（德国达姆施塔特工业大学） ； Deutsche Bundesbank（德国联邦银行） ； Frankfurt University of Applied Sciences, Germany（德国法兰克福应用技术大学） ； Research Center for Trustworthy Data Science and Security, Ruhr University Bochum, Germany（德国波鸿鲁尔大学可信数据科学与安全研究中心） 纠错

AI总结 本文提出MONETA，首个基于文本和地理空间数据的多模态行业分类基准，利用多智能体系统提升分类精度，实现62.10%和74.10%的分类性能。

Comments Accepted to ACL 2026 Main Conference

LADR: Locality-Aware Dynamic Rescue for Efficient Text-to-Image Generation with Diffusion Large Language Models

LADR：基于局部性的动态救援方法，用于高效文本到图像生成的扩散大语言模型

Chenglin Wang, Yucheng Zhou, Shawn Chen, Tao Wang, Kai Zhang

机构 * East China Normal University（华东师范大学） ； University of Macau（澳门大学） ； Zhejiang University（浙江大学） ； Nanjing University（南京大学） 纠错

AI总结 本文提出LADR方法，通过利用图像的空间马尔可夫性质加速推理，实现文本到图像生成的高效生成，同时保持生成质量。

Comments ACL2026 Main Conference

Mnemis: Dual-Route Retrieval on Hierarchical Graphs for Long-Term LLM Memory

Mnemis：基于分层图的双路检索用于长期LLM记忆

Zihao Tang, Xin Yu, Ziyu Xiao, Zengxuan Wen, Zelin Li, Jiaxi Zhou, Hualei Wang, Haohua Wang, Haizhen Huang, Weiwei Deng, Feng Sun, Qi Zhang

机构 * Microsoft（微软） 纠错

AI总结 Mnemis提出一种结合系统1相似性搜索和系统2全局选择机制的新型记忆框架，通过分层图实现语义层次的自顶向下检索，提升长期记忆检索性能。

Comments Accepted to ACL2026

Statistical Foundations of DIME: Risk Estimation for Practical Index Selection

DIME的统计基础：实用索引选择的风险估计

Giulio D'Erasmo, Cesare Campagnano, Antonio Mallia, Pierpaolo Brutti, Nicola Tonellotto, Fabrizio Silvestri

AI总结 本文提出基于统计的准则，直接在推理时确定每个查询的最佳维度集，有效性和嵌入尺寸均得到提升。

Comments Accepted to EACL 2026 (Main Conference)

Journal ref Proceedings of the 19th Conference of the European Chapter of the Association for Computational Linguistics (Volume 2: Short Papers), 2026, pages 722-730

Adaptive Planning for Multi-Attribute Controllable Summarization with Monte Carlo Tree Search

多属性可控摘要的自适应规划

Sangwon Ryu, Heejin Do, Yunsu Kim, Gary Geunbae Lee, Jungseul Ok

机构 * GSAI, POSTECH（浦项科技大学人工智能研究院） ； CSE, POSTECH（浦项科技大学计算机科学与工程学院） ； ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） ； LILT（LILT公司） 纠错

AI总结 本文提出PACO框架，通过定制化的MCTS实现多属性可控摘要的自适应规划，有效满足相关约束，实验表明其在不同领域和模型上表现优异，甚至超越大模型基线。

Comments ACL 2026

Chain-in-Tree: Back to Sequential Reasoning in LLM Tree Search

链式树搜索：LLM树搜索中的回归顺序推理

Xinzhe Li

机构 * Independent Researcher（独立研究员） 纠错

AI总结 本文提出Chain-in-Tree框架，通过在搜索过程中决定分支时机而非每步扩展，显著减少计算开销，在GSM8K和Math500上提升效率达75-85%。

Comments ACL2026 Findings

ChipSeek: Optimizing Verilog Generation via EDA-Integrated Reinforcement Learning

ChipSeek: 通过集成EDA的强化学习优化Verilog生成

Zhirong Chen, Kaiyan Chang, Zhuolin Li, Cangyuan Li, Xinyang He, Chujie Chen, Mengdi Wang, Haobo Xu, Yinhe Han, Huawei Li, Ying Wang

机构 * SKLP, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所智能计算机研究中心） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Beijing Institute of Technology（北京理工大学） 纠错

AI总结 ChipSeek通过集成EDA的强化学习框架，优化RTL代码生成，提升功能正确性和PPA指标。

Comments Accepted by ACL 2026 Main Conference

Music Audio-Visual Question Answering Requires Specialized Multimodal Designs

音乐音频视觉问答需要专门的多模态设计

Wenhao You, Xingjian Diao, Wenjun Huang, Chunhui Zhang, Keyi Kong, Weiyi Wu, Chiyu Ma, Zhongyu Ouyang, Tingxuan Wu, Ming Cheng, Soroush Vosoughi, Jiang Gui

机构 * University of Waterloo（滑铁卢大学） ； Dartmouth College（达特茅斯学院） ； UC Irvine（加州大学尔湾分校） ； New York University（纽约大学） 纠错

AI总结 本文探讨了音乐音频视觉问答任务中多模态设计的必要性，指出需专门的输入处理、空间时间架构和音乐特定建模策略以应对连续密集的音频视觉内容和复杂时间动态。

Comments Accepted to Annual Meeting of the Association for Computational Linguistics (ACL 2026). The first two authors contributed equally

Revitalizing Black-Box Interpretability: Actionable Interpretability for LLMs via Proxy Models

重振黑盒可解释性：通过代理模型实现LLM的可操作可解释性

Junhao Liu, Haonan Yu, Zhenyu Yan, Xin Zhang

机构 * Key Lab of High Confidence Software Technologies (Peking University), Ministry of Education（高可信软件技术教育部重点实验室（北京大学）） ； School of Computer Science, Peking University（北京大学计算机学院） 纠错

AI总结 本文提出一种低成本代理框架，利用高效模型近似昂贵LLM的决策边界，通过统计验证局部对齐，实现可操作的可解释性，提升LLM优化效率。

Comments Accepted to ACL 2026 Main Conference

CODEPROMPTZIP: Code-specific Prompt Compression for Retrieval-Augmented Generation in Coding Tasks with LMs

CODEPROMPTZIP：用于编码任务中基于检索的生成的代码特定提示压缩

Pengfei He, Shaowei Wang, Tse-Hsun Chen

AI总结 本文提出CodePromptZip框架，通过程序分析识别代码token类型并进行消融分析，训练小型LM实现灵活压缩，提升编码任务性能。

Comments Accepted at Findings of ACL 2026

PIArena: A Platform for Prompt Injection Evaluation

PIArena：一个用于提示注入评估的平台

Runpeng Geng, Chenlong Yin, Yanting Wang, Ying Chen, Jinyuan Jia

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

AI总结 本文提出PIArena平台，用于评估提示注入攻击的防御能力，揭示现有防御的局限性，包括任务泛化能力差、易受自适应攻击等。

Comments To appear in ACL 2026. The code is available at https://github.com/sleeepeer/PIArena

Verify Before You Commit: Towards Faithful Reasoning in LLM Agents via Self-Auditing

在提交前验证：通过自我审计实现LLM代理中的忠实推理

Wenhao Yuan, Chenchen Lin, Jian Chen, Jinfeng Xu, Xuehe Wang, Edith Cheuk Han Ngai

机构 * The University of Hong Kong（香港大学） ； Sun Yat-sen University（中山大学） 纠错

AI总结 本文提出SAVeR框架，通过在行动承诺前验证内部信念状态，提升LLM代理的推理忠实性，实验表明其在保持任务性能的同时提升了推理可靠性。

Comments Accepted by ACL2026 Main Conference

Behavior-Aware Item Modeling via Dynamic Procedural Solution Representations for Knowledge Tracing

基于动态程序性解决方案表示的行为感知项目建模

Jun Seo, Sangwon Ryu, Heejin Do, Hyounghun Kim, Gary Geunbae Lee

机构 * GSAI, POSTECH（浦项科技大学人工智能研究生院） ； CSE, POSTECH（浦项科技大学计算机科学与工程系） ； ETH Zurich, ETH AI Center（苏黎世联邦理工学院人工智能中心） 纠错

AI总结 本文提出BAIM框架，通过整合动态程序性解决方案信息增强项目表示，利用推理语言模型分解问题解决阶段，提升知识追踪的预测性能。

Comments ACL Findings 2026

ModeX: Evaluator-Free Best-of-N Selection for Open-Ended Generation

ModeX：无需评估器的开放生成最佳-N选择

Hyeong Kyu Choi, Sharon Li

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 ModeX提出一种无需外部评估器的最佳-N选择方法，通过识别主导语义共识的模态输出，提升开放生成任务的鲁棒性与效率。

Comments ACL 2026 Main

Mina: A Multilingual LLM-Powered Legal Assistant Agent for Bangladesh for Empowering Access to Justice

Mina：一种多语言大语言模型驱动的法律助理代理，用于孟加拉国，以促进获得正义

Azmine Toushik Wasi, Wahid Faisal, Mst Rafia Islam, Md Rizwan Parvez

AI总结 Mina通过多语言嵌入和基于RAG的工具链框架，为孟加拉国提供多语言法律助理服务，实现法律文书、引文和通俗解释的生成，经评估在法律考试中表现优异，成本显著降低。

Comments Accepted to ACL 2026 Findings

arXiv2Table: Toward Realistic Benchmarking and Evaluation for LLM-Based Literature-Review Table Generation

arXiv2Table：面向基于大语言模型的文献综述表生成的现实基准测试与评估

Weiqi Wang, Jiefu Ou, Yangqiu Song, Benjamin Van Durme, Daniel Khashabi

机构 * Center for Speech and Language Processing, Johns Hopkins University（约翰霍普金斯大学语音与语言处理中心） ； Department of Computer Science and Engineering, HKUST（香港科技大学计算机科学与工程系） 纠错

AI总结 本文提出arXiv2Table基准，通过模拟真实用户需求和噪声，评估大语言模型生成文献综述表的能力，实验表明方法优于基线，但任务难度仍高。

Comments ACL 2026 Main Conference

Splits! Flexible Sociocultural Linguistic Investigation at Scale

Splits! 可扩展的社会文化语言学研究

Eylon Caplan, Tania Chakraborty, Dan Goldwasser

AI总结 本文提出Splits!平台，通过大规模数据集进行灵活的社会语言学研究，验证了其在识别潜在社会文化语言现象方面的有效性。

Comments Accepted to ACL 2026 Main Conference

Alloc-MoE: Budget-Aware Expert Activation Allocation for Efficient Mixture-of-Experts Inference

Alloc-MoE：基于预算的专家激活分配以实现高效的混合专家推理

Baihui Liu, Kaiyuan Tian, Wei Wang, Zhaoning Zhang, Linbo Qiao, Dongsheng Li

机构 * National Key Laboratory of Parallel and Distributed Computing, College of Computer Science and Technology, National University of Defense Technology（国防科技大学并行与分布计算国家重点实验室，计算机科学与技术学院） 纠错

AI总结 本文提出Alloc-MoE框架，通过层和token层面协调优化激活预算分配，减少推理延迟并保持性能，实验显示在DeepSeek-V2-Lite上实现1.15倍的预填和1.34倍的解码加速。

Comments ACL 2026 main

Beyond Stochastic Exploration: What Makes Training Data Valuable for Agentic Search

超越随机探索：训练数据为何对代理搜索有价值

Chuzhan Hao, Wenfeng Feng, Guochao Jiang, Guofeng Quan, Guohua Liu, Yuewei Zhang

机构 * Alibaba Cloud Computing（阿里云） 纠错

AI总结 本文提出Hierarchical Experience框架，通过对比分析和多级聚类机制将原始推理轨迹转化为层次经验知识，提升搜索代理的性能和训练稳定性，实现更高效的策略驱动搜索。

Comments 15 pages, ACL2026 Findings Accepted

Initialisation Determines the Basin: Efficient Codebook Optimisation for Extreme LLM Quantization

初始化决定盆地：面向极端LLM量化高效的代码本优化

Ian W. Kennedy, Nafise Sadat Moosavi

机构 * University of Sheffield（谢菲尔德大学） 纠错

AI总结 本文提出OA-EM方法，通过Hessian加权马氏距离改进代码本初始化，解决极端LLM量化中初始化不足导致的性能问题，提升压缩模型的优化效果。

Comments 9 pages (+ references and appendix). Under review at ACL Rolling Review

Revise: A Framework for Revising OCRed text in Practical Information Systems with Data Contamination Strategy

修订：一种在实际信息系统中利用数据污染策略修订OCR文本的框架

Gyuho Shim, Seongtae Hong, Heuiseok Lim

机构 * Department of Computer Science and Engineering, Korea University（高丽大学计算机科学与工程系） ； Human-inspired AI Research（人类启发人工智能研究） 纠错

AI总结 本文提出Revise框架，通过修正OCR文本的字符、词和结构层面错误，提升文档信息的结构化表示和管理能力，从而增强文档检索和问答任务的性能。

Comments Accepted to ACL 2025 Industry-Oral

SAT: Balancing Reasoning Accuracy and Efficiency with Stepwise Adaptive Thinking

SAT：通过分步自适应思维平衡推理准确性和效率

Weiyang Huang, Xuefeng Bai, Kehai Chen, Xinyang Chen, Yibin Chen, Weili Guan, Min Zhang

机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Huawei Technologies（华为技术有限公司） 纠错

AI总结 本文提出SAT框架，通过分步自适应思维在保持核心推理结构的同时实现推理步骤的动态剪枝，从而在减少推理token数量的同时维持或提升准确率。

Comments accepted to ACL2026 main conference

ReRec: Reasoning-Augmented LLM-based Recommendation Assistant via Reinforcement Fine-tuning

ReRec：通过强化微调增强的LLM推荐助手

Jiani Huang, Shijie Wang, Liangbo Ning, Wenqi Fan, Qing Li

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 ReRec通过强化微调框架提升LLM在复杂推荐任务中的推理能力，引入双重图增强奖励塑造、推理感知优势估计和在线课程调度器，实验证明其优于现有基线模型。

Comments Accepted by ACL 2026

GRASS: Gradient-based Adaptive Layer-wise Importance Sampling for Memory-efficient Large Language Model Fine-tuning

GRASS：基于梯度的自适应层级重要性采样用于内存高效的大型语言模型微调

Kaiyuan Tian, Yu Tang, Gongqingjian Jiang, Baihui Liu, Yifu Gao, Xialin Su, Linbo Qiao, Dongsheng Li

机构 * National University of Defense Technology（国防科技大学） ； Information Support Force Engineering University（信息支援部队工程大学） 纠错

AI总结 GRASS提出一种基于梯度的自适应层级重要性采样方法，通过动态调整层采样概率和优化器状态卸载机制，在降低内存使用的同时提升微调性能，实验显示其在多个模型和基准测试中均优于现有方法。

Comments Accepted by ACL 2026 Findings

ACIArena: Toward Unified Evaluation for Agent Cascading Injection

ACIArena：迈向多智能体系统统一评估

Hengyu An, Minxi Li, Jinghuai Zhang, Naen Xu, Chunyi Zhou, Changjiang Li, Xiaogang Xu, Tianyu Du, Shouling Ji

机构 * Zhejiang University（浙江大学） ； State Key Laboratory of Internet Architecture, Tsinghua University（清华大学网络架构国家重点实验室） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Palo Alto Networks ； Ningbo Global Innovation Center, Zhejiang University（浙江大学宁波全球创新中心） 纠错

AI总结 本文提出ACIArena框架，用于评估多智能体系统（MAS）的鲁棒性，通过多攻击面和目标的系统化测试，揭示单纯依赖拓扑结构评估不足，强调需通过角色设计和受控交互提升系统安全性。

Comments ACL 2026

The Art of (Mis)alignment: How Fine-Tuning Methods Effectively Misalign and Realign LLMs in Post-Training

对齐的艺术：细调方法如何有效地对齐和重新对齐训练后的LLM

Rui Zhang, Hongwei Li, Yun Shen, Xinyue Shen, Wenbo Jiang, Guowen Xu, Yang Liu, Michael Backes, Yang Zhang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Flexera ； CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 研究探讨细调方法在对齐和重新对齐LLM中的效果，揭示攻击与防御间的机制不对称，发现ORPO在对齐方面最有效，DPO在重新对齐中表现优异但牺牲了模型实用性，同时发现模型特定的抗性及多轮对抗动态的残留效应。

Comments Accepted by ACL Findings 2026

TrajGuard: Streaming Hidden-state Trajectory Detection for Decoding-time Jailbreak Defense

TrajGuard: 解码时隐藏状态轨迹检测用于解码时对抗防御

Cheng Liu, Xiaolei Liu, Xingyu Li, Bangzhou Xin, Kangyi Ding

机构 * National Interdisciplinary Research Center of Engineering Physics（国家工程物理跨学科研究中心） 纠错

AI总结 本文提出TrajGuard，通过解码时隐藏状态轨迹实时检测风险，实现95%的防御率，降低检测延迟至5.2ms/token，且误报率低于1.5%。

Comments Accepted to Findings of ACL 2026

Efficient and Effective Internal Memory Retrieval for LLM-Based Healthcare Prediction

高效且有效的内部内存检索用于基于大语言模型的医疗预测

Mingchen Li, Jiatan Huang, Zonghai Yao, Hong yu

机构 * University of Connecticut（康涅狄格大学） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校） ； University of Massachusetts, Lowell（马萨诸塞大学洛厄尔分校） ； UMass Chan Medical School（马萨诸塞大学陈医学院） 纠错

AI总结 本文提出K2K框架，通过内部键基知识访问提升LLM在医疗预测中的效率与准确性，实验显示在四个基准数据集上达到最佳性能。

Comments ACL 2026 (Findings), reviewer score: 3.5,3.5,4