EMNLP

Benchmarking and Boosting Multilingual Capabilities of LVLMs via OCR-Centric Reinforcement Learning

PM4Bench: 通过平行多语言多模态多任务语料库对大型视觉-语言模型进行基准测试

Junyuan Gao, Jiahe Song, Jiang Wu, Runchuan Zhu, Guanlin Shen, Shasha Wang, Xingjian Wei, Haote Yang, Weijia Li, Bin Wang, Lijun Wu, Conghui He

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） ； Sun Yat-Sen University（中山大学） ； Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 PM4Bench通过平行多语言多模态多任务语料库评估大型视觉-语言模型，揭示跨语言性能差异与OCR能力的关系。

Comments Accepted by EMNLP 2026 Main Conference

VinciCoder: Unifying Multimodal Code Generation via Coarse-to-fine Visual Reinforcement Learning

VinciCoder：通过粗到细的视觉强化学习统一多模态代码生成

Xuanle Zhao, Deyang Jiang, Zhixiong Zeng, Lei Chen, Haoyue Yang, Haibo Qiu, Jing Huang, Yufeng Zhong, Liming Zheng, Yilin Cao, Lin Ma

机构 * Meituan（美团） 纠错

AI总结 VinciCoder通过粗到细的视觉强化学习框架，统一多模态代码生成，实现最先进的性能，超越现有开源模型。

Comments Accepted by EMNLP 2026 Main

GraphMed-LT: Patient-Specific Graph Memory with Latent Clinical Thought Refinement for Multi-Turn Medical Conversations

GraphMed-LT：面向多轮医疗对话的具有潜在临床思维优化的患者特定图记忆

Zhaohan Meng, Zaiqiao Meng, Siwei Liu, Hao Xu, Ke Yuan, Iadh Ounis

机构 * School of Computing Science, University of Glasgow, UK（格拉斯哥大学计算机科学学院） ； School of Natural and Computing Science, University of Aberdeen, UK（阿伯丁大学自然与计算科学学院） 纠错

AI总结 该研究针对多轮医疗对话中临床证据分散的问题，提出GraphMed-LT方法，通过患者特定图记忆及潜在临床思维优化，在多轮医疗QA任务上较基线实现显著提升。

Comments Accepted to EMNLP 2026

From Isolation to Alignment: Unified LoRA for Efficient Multi-Task Learning

从孤立到对齐：用于高效多任务学习的统一LoRA

Jinda Liu, Yi Chang, Yuan Wu

AI总结 本研究针对多任务PEFT中复杂LoRA变体的范式提出挑战，提出统一高效的Align-LoRA框架，通过显式对齐损失实现表示对齐，保留标准LoRA架构并实现零推理延迟，性能优于现有方法。

Comments Accepted by EMNLP

MixLoRA-DSI: Dynamically Expandable Mixture-of-LoRA Experts for Rehearsal-Free Generative Retrieval over Dynamic Corpora

MixLoRA-DSI：面向动态语料库的无排练生成式检索的可动态扩展LoRA专家混合模型

Tuan-Luc Huynh, Thuy-Trang Vu, Weiqing Wang, Trung Le, Dragan Gašević, Yuan-Fang Li, Thanh-Toan Do

机构 * Department of Data Science & AI, Monash University, Australia（数据科学与人工智能系，墨尔本大学，澳大利亚） ； Department of Human Centred Computing, Monash University, Australia（以人为中心计算系，墨尔本大学，澳大利亚） 纠错

AI总结 针对动态语料库生成式检索中模型索引更新成本高的问题，提出MixLoRA-DSI框架，通过OOD驱动的LoRA专家动态扩展策略实现亚线性参数增长，在NQ320k等数据集上性能优于全模型更新基线且成本更低。

Comments EMNLP 2025 Main Conference. Camera-ready version. Code is available at https://github.com/LouisDo2108/MixLoRA-DSI