ACL

Evolutionary Guided Decoding: Iterative Value Refinement for LLMs

进化引导解码：大语言模型的迭代值细化

Zhenhua Liu, Lijun Li, Ruizhe Chen, Yuxian Jiang, Tong Zhu, Zhaochen Su, Wenliang Chen, Jing Shao

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Soochow University（苏州大学） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） 纠错

AI总结 研究发现引导解码中值函数不准确源于分布差距，提出迭代值细化框架，用值探索提供训练信号，迭代自我细化利用改进值函数生成高质量数据，实验证明该框架能有效对齐语言模型并降低计算成本。

Comments Accepted to ACL 2026 (main conference)

Parity-Aware Byte-Pair Encoding: Improving Cross-lingual Fairness in Tokenization

奇偶感知字节对编码：提高词元化中的跨语言公平性

Negar Foroutan, Clara Meister, Debjit Paul, Joel Niklaus, Sina Ahmadi, Antoine Bosselut, Rico Sennrich

机构 * EPFL（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） 纠错

AI总结 研究针对词元化中低资源语言词元化不合理问题，引入奇偶感知字节对编码，通过公平最大化规则平衡跨语言公平性与全局压缩，减少词元化不平等，对全局压缩和下游语言模型性能影响小。

Comments ACL 2026

DynamixSFT: Dynamic Mixture Optimization of Instruction Tuning Collections

DynamixSFT：指令微调集合的动态混合优化

Haebin Shin, Lei Ji, Xiao Liu, Zhiwei Yu, Hyunwoo Yoo, Qi Chen, Yeyun Gong

机构 * University of Michigan（密歇根大学） ； Microsoft Research（微软研究院） ； KAIST AI（韩国科学技术院人工智能研究所） ； Drexel University（德雷塞尔大学） 纠错

AI总结 针对不断涌现的指令微调数据集，提出DynamixSFT动态自动优化方法。将问题转化为多臂老虎机设置，采用Prior-scaled Boltzmann Exploration和1-Step Look-ahead Reward更新采样概率，有效优化数据集并减少计算开销。

Comments ACL 2026 Findings

Journal ref Findings of the Association for Computational Linguistics: ACL 2026, pp. 39590-39603

Language Models as Measurement Apparatus for Culture

语言模型作为文化测量仪器

Kent K. Chang

机构 * School of Information University of California, Berkeley（信息学院加州大学伯克利分校） 纠错

AI总结 本文提出语言模型的文化测量是物质-话语实践，通过Karen Barad的能动切割概念，论证模型设计选择构成所测量的文化现实，并通过三个案例和三个仪器检查展示这一观点。

Comments Accepted to the Big Picture workshop co-located with ACL 2026. This version expands the camera-ready (adding Fig. 3 and section 6.3, as well as correcting minor typos) in Proceedings of The Big Picture v2: Crafting a Research Narrative, pp. 131--143, San Diego, CA, USA. Association for Computational Linguistics

PairCoder++: Pair Programming as a Universal Paradigm for Verified Code-Driven Multimodal and Structured-Artifact Generation

PairCoder++：结对编程作为验证代码驱动的多模态与结构化工件生成的通用范式

Junhao Chen, Xiang Li, Mingjin Chen, Boran Zhang, Henghaofan Zhang, Yibin Xu, Yuehan Cui, Fangsheng Weng, Fei Ma, Qi Tian, Ruqi Huang, Hao Zhao

机构 * THU（清华大学） ； PKU（北京大学） ； PolyU, Hong Kong（香港理工大学） ； USTC（中国科学技术大学） ； UESTC（电子科技大学） ； Tongji University（同济大学） ； Tianjin University（天津大学） ； Independent Researcher（独立研究者） ； Guangming Lab（光明实验室） ； BAAI（北京智源人工智能研究院） 纠错

AI总结 提出PairCoder框架，通过驱动者和导航者两个智能体结对编程，利用工具链反馈验证代码生成，在17个基准测试中显著提升可验证工件的生成质量。

Comments Accepted by ACL 2026. Project Page: https://yisuanwang.github.io/PairCoder/

ExPerT: Personalizing LLM Responses to Users' Domain Expertise via Query-Wise Semantic and Keystroke Behavioral Cues

ExPerT: 通过查询级语义和击键行为线索个性化LLM对用户领域专业知识的响应

Yeji Park, Jiwon Tark, Taesik Gong

AI总结 提出ExPerT框架，结合语义和击键行为线索推断用户查询级专业知识，动态调整LLM响应细节和复杂度，实验表明专业知识推断误差降低65.7%，响应满意度提升17.52%。

Comments Accepted to ACL 2026 (Main, Long)

Reference Games as a Testbed for the Alignment of Model Uncertainty and Clarification Requests

参考游戏作为模型不确定性与澄清请求对齐的测试平台

Manar Ali, Judith Sieker, Sina Zarrieß, Hendrik Buschmeier

机构 * Digital Linguistics Lab（数字语言实验室） ； Computational Linguistics Group（计算语言学小组） 纠错

AI总结 本文通过参考游戏测试语言模型在不确定性识别与澄清请求表达上的能力，发现模型在简单任务中难以准确识别自身不确定性并转化为澄清行为。

Comments Accepted at GEM@ACL 2026, the 5th Generation, Evaluation & Metrics Workshop

Journal ref Proceedings of the Fifth Workshop on Generation, Evaluation and Metrics (GEM 2026), pp. 990-998

Investigating the Representation of Backchannels and Fillers in Fine-tuned Language Models

探讨在微调语言模型中回话用语和填充词的表示

Yu Wang, Leyi Lao, Langchu Huang, Gabriel Skantze, Yang Xu, Hendrik Buschmeier

机构 * Bielefeld University（比勒菲尔德大学） ； Southern University of Science and Technology（南方科技大学） ； KTH Royal Institute of Technology（皇家理工学院） 纠错

AI总结 本文通过三种微调策略研究回话用语和填充词在语言模型中的表示，发现微调能提升模型区分语义差异的能力，使生成的对话更接近人类语言。

Comments Accepted at ACL 2026 main

Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers, ACL 2026), pp. 5319-5348

Identifying the Periodicity of Information in Natural Language

识别自然语言中的信息周期性

Yulin Ou, Yu Wang, Yang Xu, Hendrik Buschmeier

机构 * CLCS Lab, Department of Computer Science and Engineering, Southern University of Science and Technology（计算机科学与工程系，南方科技大学计算机语言实验室） ； Digital Linguistics Lab, Department of Linguistics, Bielefeld University（语言学系，比勒菲尔德大学数字语言学实验室） 纠错

AI总结 本文提出APS方法识别自然语言信息序列中的周期性，发现大量语言存在强周期性，且发现超出典型结构单位的新周期，并通过谐波回归验证。

Comments Accepted at ACL 2026 (main)

Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers, ACL 2026), pp. 1161-1175

Multimodal In-context Learning for ASR of Low-resource Languages

多模态上下文学习用于低资源语言的语音识别

Zhaolin Li, Jan Niehues

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） 纠错

AI总结 本文探讨了通过多模态上下文学习提升低资源语言语音识别性能的方法，分析了跨语言迁移学习对模型效率的影响，并提出结合更强声学模型与语音LLM的改进系统。

Comments ACL 2026 findings

SAGE: Sign-Adaptive Gradient for Memory-Efficient LLM Optimization

SAGE：用于内存高效大语言模型优化的符号自适应梯度

Wooin Lee, Hyun-Tae Kim

机构 * London, United Kingdom（英国伦敦） ； Seoul, Republic of Korea（韩国首尔） 纠错

AI总结 本文提出SAGE优化器，通过结合Lion风格的更新方向和新的内存高效O(d)自适应缩放，解决嵌入层稀疏高方差梯度问题，实现更稳定的收敛并提升性能。

Comments Accepted to Findings of the Association for Computational Linguistics: ACL 2026. 13 pages, 4 figures, 4 tables

AgenticRAGTracer: A Hop-Aware Benchmark for Diagnosing Multi-Step Retrieval Reasoning in Agentic RAG

AgenticRAGTracer：用于诊断Agentic RAG中多步检索推理的跳数感知基准

Qijie You, Wenkai Yu, Wentao Zhang

机构 * University of Science and Technology Beijing（北京科技大学） ； Peking University（北京大学） ； Zhongguancun Academy（中关村学院） ； Beijing Key Laboratory of Data Intelligence and Security (Peking University)（北京市数据智能与安全重点实验室（北京大学）） 纠错

AI总结 提出首个由大语言模型自动构建的Agentic RAG基准AgenticRAGTracer，包含1305个跨领域数据点，支持逐跳验证，揭示模型在多步推理中推理链扭曲的问题。

Comments Accepted at ACL 2026 Findings

Navigating the Alignment-Calibration Trade-off: A Pareto-Superior Frontier via Model Merging

导航对齐-校准权衡：通过模型合并实现帕累托更优前沿

Tiancheng Hu, Benjamin Minixhofer, Nigel Collier

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文发现后训练对齐不仅降低任务准确率，还严重损失校准性能，导致模型过度自信且输出多样性下降。通过简单地在对齐前后模型权重间进行插值，可以持续获得帕累托最优模型，同时提升准确率和恢复校准。

Comments ACL 2026 Findings

Psychological Steering in LLMs: An Evaluation of Effectiveness and Trustworthiness

LLMs中的心理引导：有效性与可信度评估

Amin Banayeeanzade, Ala N. Tak, Fatemeh Bahrani, Anahita Bolourani, Leonardo Blas, Emilio Ferrara, Jonathan Gratch, Sai Praneeth Karimireddy

AI总结 提出PsySET基准，评估提示、微调和表示工程等策略在控制LLM情绪和人格方面的效果与可信度，发现提示有效但强度控制有限，向量注入控制更精细但输出质量略降，且情绪引导可能产生副作用。

Comments Accepted at ACL 2026. Camera-ready version

SchemaRAG: Dynamic Large Schema Reduction for LLM-driven Structured Information Extraction

SchemaRAG：面向LLM驱动的结构化信息提取的动态大规模模式缩减

Sin Yu Bonnie Ho, Arlie Coles, Erik Larsson, Eric Marshall, Nathan Bodenstab, Paul Vozila

AI总结 针对大规模模式导致LLM提取结构化信息时成本高、性能下降的问题，提出SchemaRAG框架，通过检索增强动态缩减输出模式空间，在医疗和电商数据集上实现F1提升8.8%、延迟降低47%、令牌成本降低48%。

Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 6: Industry Track), pages 1114-1127, San Diego, California, USA, July 2026. Association for Computational Linguistics

MolSafeEval: A Benchmark for Uncovering Safety Risks in AI-Generated Molecules

MolSafeEval: 揭示AI生成分子安全风险的基准

Tong Xu, Xinzhe Cao, Zhihui Zhu, Keyan Ding, Huajun Chen

机构 * Zhejiang University（浙江大学） ； ZJU-Hangzhou Global Scientific and Technological Innovation Center（浙大-杭州全球科技创新中心） ； University of Oxford（牛津大学） 纠错

AI总结 提出MolSafeEval基准，通过构建分子安全知识图谱和基于大语言模型的推理，系统评估四类分子生成模型的安全风险，揭示当前方法的漏洞。

Comments Accepted by Findings of ACL 2026

CAT: Confidence-Adaptive Thinking for Efficient Reasoning of Large Reasoning Models

CAT：面向大型推理模型高效推理的置信度自适应思考

Qizhi Jiang, Shuo Wang, Pei Ke, Yuhang Song, Ke Qin

机构 * Laboratory of Intelligent Collaborative Computing, University of Electronic Science and Technology of China（电子科技大学智能协同计算实验室） ； Ubiquitous Intelligence and Trusted Services Key Laboratory of Sichuan Province（四川省泛在智能与可信服务重点实验室） 纠错

AI总结 提出置信度自适应思考（CAT）框架，利用模型内在自确信信号作为置信度，通过偏好优化自主调节推理长度，在保持准确率的同时压缩简单问题的推理开销。

Comments Accepted at ACL 2026 Industry Track

Harnessing the Latent Space: From Steering Vectors to Model Calibrators for Control and Trust

利用潜在空间：从引导向量到模型校准器以实现控制与信任

Nishant Subramani

机构 * Carnegie Mellon University, Language Technologies Institute（卡内基梅隆大学语言技术研究所） 纠错

AI总结 本文提出利用潜在空间中的引导向量控制语言模型行为，并开发基于潜在空间的模型校准器评估输出可信度，从而增强模型的可控性与可靠性。

Comments ACL 2026 (BigPicture Workshop)

Reasoning Up the Instruction Ladder for Controllable Language Models

在指令阶梯上推理以实现可控语言模型

Zishuo Zheng, Vidhisha Balachandran, Chan Young Park, Faeze Brahman, Sachin Kumar

机构 * Department of Computer Science and Engineering, The Ohio State University（俄亥俄州立大学计算机科学与工程系） ； Microsoft Research（微软研究院） ； Allen Institute for AI（艾伦人工智能研究所） 纠错

AI总结 通过将指令层级解析重构为推理任务，并构建VerIH数据集进行轻量级强化学习，使模型能优先处理高层级指令，在冲突场景下提升约20%的指令遵循准确率，并增强对越狱和提示注入的鲁棒性。

Journal ref Findings of the Association for Computational Linguistics: ACL 2026, pages 39332-39354

K-Merge: Online Continual Merging of Adapters for On-device Large Language Models

K-Merge: 面向设备端大语言模型的在线持续适配器合并

Donald Shenaj, Ondrej Bohdal, Taha Ceritli, Mete Ozay, Pietro Zanuttigh, Umberto Michieli

机构 * Samsung R&D Institute UK（三星英国研发中心） ； University of Pisa（比萨大学） ； University of Padova（帕多瓦大学） 纠错

AI总结 针对设备端大语言模型在线持续合并LoRA适配器的问题，提出一种无数据、计算高效的策略，在存储和计算受限下选择并合并新适配器，同时保持已有任务性能。

Comments ACL 2026 Main Conference, Long Paper (Oral)

Steering Large Language Models for Machine Translation Personalization

引导大语言模型进行机器翻译个性化

Daniel Scalena, Gabriele Sarti, Arianna Bisazza, Elisabetta Fersini, Malvina Nissim

机构 * CLCG, University of Groningen（格罗宁根大学） ； University of Milano-Bicocca（米兰比可卡大学） 纠错

AI总结 本文探讨在少量示例下如何个性化自动翻译，聚焦文学翻译领域，通过对比引导与稀疏自编码器（SAE）潜变量实现稳健的风格条件和翻译质量，提升推理效率。

Journal ref Proceedings of the 19th Conference of the European Chapter of the Association for Computational Linguistics (Volume 1: Long Papers), pages 4681-4701, Rabat, Morocco, 2026. Association for Computational Linguistics

When LLMs Read Tables Carelessly: Measuring and Reducing Data Referencing Errors

当LLM粗心阅读表格时：测量并减少数据引用错误

Yuqing Yang, Qi Zhu, Zhen Han, Boran Han, Zhengyuan Shen, Shuai Wang, Vassilis N. Ioannidis, Huzefa Rangwala

机构 * University of Southern California（南加州大学） ； AWS AI Labs（AWS AI实验室） 纠错

AI总结 本研究系统评估了大型语言模型在表格任务中的数据引用错误，并提出基于批评模型的过滤与拒绝采样方法，将答案准确率提升高达12.0%。

Comments ACL 2026 (Oral)

MIRTH: Mutual-Information Reasoning with Temporal Hubs for Vision-Language-Action Agents

MIRTH：面向视觉-语言-动作智能体的基于互信息推理的时间枢纽

Hao Sun, Yu Song, Shiyu Teng, Ziwei Niu, Yen-Wei Chen

机构 * College of Information Science and Engineering, Ritsumeikan University（立命馆大学信息科学与工程学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） 纠错

AI总结 提出MIRTH框架，通过双尺度时间记忆枢纽、互信息优化的潜在推理令牌和并行动作解码，解决VLA模型的时间短视、推理鸿沟和推理低效问题，在LIBERO和真实机器人上达到SOTA并展现错误恢复能力。

Comments Accepted as main conference paper at ACL 2026

One Retrieval to Cover Them All: Co-occurrence-Aware Knowledge Base Reorganization for Session-Level RAG

一次检索覆盖所有：基于共现感知的知识库重组用于会话级RAG

Shivam Ratnakar, Yixuan Zhu, Cecilia Cheng, Chaya Vijayakumar

机构 * University of Southern California（南加州大学） 纠错

AI总结 针对会话级信息需求，提出基于共现聚类的知识库离线重组和查询时扩展检索候选的方法，将单次查询会话覆盖率从41%提升至58%，并压缩知识库至原大小的20%。

Comments Accepted to the Towards Knowledgeable Foundation Models (KnowFM) Workshop at ACL 2026

Truth or Sophistry? LoFa: A Benchmark for LLM Robustness Against Logical Fallacies

真相还是诡辩？LoFa：大语言模型对逻辑谬误鲁棒性的基准测试

Xudong Shen, Li Yuan, Ye Chen, Xin Wu, Yi Cai, Zhiyong Wu

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； South China University of Technology（华南理工大学） 纠错

AI总结 提出LoFa基准，通过多智能体管道生成事实与谬误配对，结合多轮辩论框架评估LLM对逻辑谬误的鲁棒性，并设计LFR@k指标量化抵抗能力。

Comments Accepted to ACL 2026 Main. 33 pages (9 pages main text)

Test-Time Verification for Text-to-SQL via Outcome Reward Models

基于结果奖励模型的文本到SQL测试时验证

Mattia Tritto, Giuseppe Farano, Dario Di Palma, Gaetano Rossiello, Fedelucio Narducci, Dharmashankar Subramanian, Tommaso Di Noia

机构 * Polytechnic University of Bari（巴里理工大学） ； IBM T.J. Watson Research Center（IBM T.J.沃森研究中心） 纠错

AI总结 提出结果奖励模型(ORM)作为学习型语义评分函数，用于Text-to-SQL的测试时验证，通过自动化候选生成和执行标签训练ORM，在BIRD和Spider基准上优于执行优先和多数投票方法。

Comments Accepted to the SURGeLLM Workshop at ACL 2026, San Diego, US

Overcoming Copyright Barriers in Corpus Distribution Through Non-Reversible Hashing

通过非可逆哈希技术突破语料库分发的版权障碍

Arthur Amalvy, Vincent Labatut, Xavier Bost, Hen-Hsen Huang

机构 * Institute of Information Science, Academia Sinica（学术院信息研究所） ； Laboratoire Informatique d’Avignon, Avignon Université（阿维尼翁信息实验室，阿维尼翁大学） ； Aiway 纠错

AI总结 本文提出非可逆哈希方法，允许合法共享受版权保护文学文本的标注，通过哈希版本匹配确保数据一致性，实验显示在用户版本接近时可正确对齐98.7%-99.79%的词元。

Comments Accepted to ACL 2026

Journal ref ACL 2026, p.46329-46345

RARE: Redundancy-Aware Retrieval Evaluation Framework for High-Similarity Corpora

RARE：面向高相似性语料的冗余感知检索评估框架

Hanjun Cho, Jay-Yoon Lee

机构 * Allganize ； Seoul National University（首尔国立大学） 纠错

AI总结 RARE通过分解文档为原子事实和增强LLM生成数据，构建更真实的基准，揭示当前评估体系无法捕捉的鲁棒性差距。

Comments Accepted to ACL 2026 (Main Conference)

Multi-Persona Thinking for Bias Mitigation in Large Language Models

多视角思考用于大型语言模型中的偏见缓解

Yuxing Chen, Guoqing Luo, Zijun Wu, Lili Mou

机构 * Dept. Computing Science, Alberta Machine Intelligence Institute (Amii) University of Alberta, Canada（计算科学系，阿尔伯塔机器智能研究所（Amii），阿尔伯塔大学，加拿大） ； Canada CIFAR AI Chair, Amii（加拿大 CIFAR 人工智能主席，Amii） 纠错

AI总结 本文提出多视角思考（MPT）框架，通过鼓励多视角推理减少社会偏见，实验表明其在降低偏见的同时保持了核心推理能力。

Comments 15 pages

Journal ref Findings of the Association for Computational Linguistics: ACL 2026, pp. 27895-27909, 2026

Paper2Rebuttal: A Multi-Agent Framework for Transparent Author Response Assistance

Paper2Rebuttal: 一种透明的作者回复辅助多智能体框架

Qianli Ma, Chang Guo, Zhiheng Tian, Siyu Wang, Jipeng Xiao, Yuanhao Yue, Zhipeng Zhang

机构 * AutoLab, School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院AutoLab） 纠错

AI总结 提出多智能体框架RebuttalAgent，将回复生成重构为以证据为中心的规划任务，通过分解反馈、构建混合上下文和外部搜索模块，提升覆盖度、忠实性和策略连贯性。

Comments Accepted by ACL2026 main conference