EMNLP

HebID: Detecting Social Identities in Hebrew-language Political Text

HebID: 在希伯来语政治文本中检测社会身份

Guy Mor-Lan, Naama Rivlin-Angert, Yael R. Kaplan, Tamir Sheafer, Shaul R. Shenhav

机构 * The Hebrew University of Jerusalem（海法大学） ； The Open University of Israel（以色列开放大学） 纠错

AI总结 HebID通过多标签希伯来语语料库检测政治文本中的社会身份，利用微调大语言模型提升识别效果，并比较精英话语与公众优先级差异。

Comments EMNLP 2025 (Findings)

Dial-In LLM: Human-Aligned LLM-in-the-loop Intent Clustering for Customer Service Dialogues

Dial-In LLM: 人类对齐的LLM-in-the-loop意图聚类用于客户服务对话

Mengze Hong, Wailing Ng, Chen Jason Zhang, Yuanfeng Song, Di Jiang

机构 * Hong Kong Polytechnic University（香港理工大学） ； AI Group, WeBank Co., Ltd（WeBank人工智能部门） 纠错

AI总结 本文提出LLM-in-the-loop意图聚类框架，通过整合LLM能力提升客户服务对话意图聚类的准确性和效率。

Comments Accepted by EMNLP 2025 Main Conference

Finding Diamonds in Conversation Haystacks: A Benchmark for Conversational Data Retrieval

在对话 haystack 中寻找钻石：一种对话数据检索的基准

Yohan Lee, Yongwoo Song, Sangyeop Kim

机构 * Coxwave ； Kakaobank ； Kyung Hee University ； Seoul National University 纠错

AI总结 本文提出对话数据检索基准，揭示对话数据检索能力与文档检索能力的差距，并提供评估方法和分析工具。

Comments Accepted by EMNLP 2025 Industry Track

Versatile Framework for Song Generation with Prompt-based Control

具有基于提示控制的多功能歌曲生成框架

Yu Zhang, Wenxiang Guo, Changhao Pan, Zhiyuan Zhu, Ruiqi Li, Jingyu Lu, Rongjie Huang, Ruiyuan Zhang, Zhiqing Hong, Ziyue Jiang, Zhou Zhao

机构 * Zhejiang University（浙江大学） 纠错

AI总结 VersBand通过多任务框架实现基于提示的可控高质量歌曲生成，包含人声、伴奏、歌词和旋律生成模型，实验表明其在多个任务中表现优异。

Comments Accepted by Findings of EMNLP 2025

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025

Model-based Large Language Model Customization as Service

基于模型的大型语言模型定制服务

Zhaomin Wu, Jizhou Guo, Junyi Hou, Bingsheng He, Lixin Fan, Qiang Yang

机构 * National University of Singapore（新加坡国立大学） ； WeBank ； The Hong Kong University of Science and Technology（香港理工大学） 纠错

AI总结 Llamdex 提出了一种基于模型的 LLM 定制服务框架，通过客户端上传预训练的领域模型并结合差分隐私保护，提升领域特定任务的准确率并保持推理效率。

Comments Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025)

Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (2025)

Paraphrase Types Elicit Prompt Engineering Capabilities

同义词类型激发提示工程能力

Jan Philip Wahle, Terry Ruas, Yang Xu, Bela Gipp

机构 * University of Göttingen（戈丁根大学） ； University of Toronto（多伦多大学） 纠错

AI总结 本研究通过分析同义词类型对提示工程的影响，发现特定语言变化可提升语言模型的任务表现。

Journal ref EMNLP 2024

TASO: Task-Aligned Sparse Optimization for Parameter-Efficient Model Adaptation

TASO：任务对齐的稀疏优化用于参数高效模型适应

Daiye Miao, Yufang Liu, Jie Wang, Changzhi Sun, Yunke Zhang, Demei Yan, Shaokang Dong, Qi Zhang, Yuanbin Wu

机构 * East China Normal University（东华师范大学） ； Honor Device Co., Ltd.（荣誉设备有限公司） ； Fudan University（复旦大学） 纠错

AI总结 TASO通过任务对齐的稀疏优化方法，有效减少LoRA中的参数冗余，提升微调性能。

Comments Accepted to EMNLP 2025 (Main Conference),13 pages,10 figures

RAISE: Reinforced Adaptive Instruction Selection For Large Language Models

RAISE: 增强适应性指令选择用于大语言模型

Qingsong Lv, Yangning Li, Zihua Lan, Zishan Xu, Jiwei Tang, Tingwei Lu, Yinghui Li, Wenhao Jiang, Hong-Gee Kim, Hai-Tao Zheng, Philip S. Yu

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Peng Cheng Laboratory（鹏城实验室） ； University of Illinois Chicago（伊利诺伊大学香槟分校） ； Seoul National University（首尔国立大学） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳）） 纠错

AI总结 RAISE通过强化学习动态选择指令，提升大语言模型微调效率与效果。

Comments Accepted by EMNLP 2025 findings

Evaluating the Creativity of LLMs in Persian Literary Text Generation

评估大语言模型在波斯文学文本生成中的创造力

Armin Tourajmehr, Mohammad Reza Modarres, Yadollah Yaghoobzadeh

机构 * Tehran Institute for Advanced Studies, Khatam University, Iran（德黑兰高级研究学院，卡坦大学，伊朗） ； School of Electrical and Computer Engineering, College of Engineering, University of Tehran, Tehran, Iran（电气与计算机工程学院，工程学院，德黑兰大学，德黑兰，伊朗） 纠错

AI总结 本文评估了LLMs在生成波斯文学文本中的创造力，通过定制测试和人工验证，分析其在原创性、流畅性、灵活性和扩展性方面的表现，并探讨其在文学修辞手法应用上的能力。

Journal ref In Findings of the Association for Computational Linguistics: EMNLP 2025, pages 14762-14774, Suzhou, China. Association for Computational Linguistics

Empowering Healthcare Practitioners with Language Models: Structuring Speech Transcripts in Two Real-World Clinical Applications

通过语言模型赋能医疗从业者：在两个真实临床应用中结构化语音转录

Jean-Philippe Corbeil, Asma Ben Abacha, George Michalopoulos, Phillip Swazinna, Miguel Del-Agua, Jerome Tremblay, Akila Jeeson Daniel, Cari Bader, Yu-Cheng Cho, Pooja Krishnan, Nathan Bodenstab, Thomas Lin, Wenxuan Teng, Francois Beaulieu, Paul Vozila

机构 * Microsoft Healthcare & Life Sciences（微软医疗与生命科学） 纠错

AI总结 本文通过语言模型在两个临床应用中结构化语音转录，提出代理流程生成非敏感数据，并发布首个开源数据集以支持进一步研究。

Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing: Industry Track

Does Localization Inform Unlearning? A Rigorous Examination of Local Parameter Attribution for Knowledge Unlearning in Language Models

定位信息是否有助于去学习？对语言模型中知识去学习的局部参数归因的严格检验

Hwiyeong Lee, Uiji Hwang, Hyelim Lim, Taeuk Kim

AI总结 本文通过实验验证局部参数更新对语言模型知识去学习的有效性，发现参数局部性并不必然指示有效知识去除。

Comments The 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025)

Don't Shoot The Breeze: Topic Continuity Model Using Nonlinear Naive Bayes With Attention

别射流风：使用非线性朴素贝叶斯与注意机制的主题连续性模型

Shu-Ting Pi, Pradeep Bagavan, Yejia Li, Disha, Qun Liu

机构 * Amazon（亚马逊） 纠错

AI总结 本文提出了一种基于非线性朴素贝叶斯与注意力机制的主题连续性模型，用于评估对话响应与初始话题的一致性，有效处理长对话并提升可解释性。

Comments EMNLP 2024: Industry Track; 8 pages, 2 figures, 1 table

Journal ref Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing: Industry Track, pages 65-72

Analyzing the Effects of Supervised Fine-Tuning on Model Knowledge from Token and Parameter Levels

分析监督微调对模型知识的影响：从token和参数层面

Junjie Ye, Yuming Yang, Yang Nan, Shuo Li, Qi Zhang, Tao Gui, Xuanjing Huang, Peng Wang, Zhongchao Shi, Jianping Fan

机构 * Fudan University（复旦大学） ； Lenovo Research（联想研究） ； Shanghai Key Lab of Intelligent Information Processing（上海智能信息处理重点实验室） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 研究发现监督微调对模型知识的影响显著，通过分析token和参数层面发现大部分参数更新不促进知识增强，恢复更新可提升封闭书问题回答性能。

Comments Accepted by EMNLP 2025 Main Conference. Codes for parameter restoration are available at https://github.com/UmeanNever/ParamRestore

Self-Guided Function Calling in Large Language Models via Stepwise Experience Recall

通过逐步经验回忆实现大语言模型的自引导函数调用

Sijia Cui, Aiyao He, Shuai Xu, Hongming Zhang, Yanna Wang, Qingyang Zhang, Yajing Wang, Bo Xu

机构 * The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（认知与决策智能复杂系统重点实验室，自动化研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Nanjing University of Information Science & Technology（南京信息工程大学） ； Institute of Computing Technology, Chinese Academy of Sciences（计算技术研究所，中国科学院） 纠错

AI总结 SEER通过逐步经验回忆方法，提升大语言模型在多步骤工具使用中的准确性和效率。

Comments Accepted to EMNLP 2025

Towards Open-Ended Discovery for Low-Resource NLP

面向低资源NLP的开放性发现

Bonaventure F. P. Dossou, Henri Aïdasso

机构 * McGill University（麦吉尔大学） ； Mila Quebec AI Institute（魁北克人工智能研究所） ； École de technologie supérieure (ÉTS)（高等技术学院） 纠错

AI总结 本文呼吁转向互动性语言发现，通过人机协作动态学习低资源语言，推动参与式共适应学习。

Comments Proceedings of the 2nd Workshop on Uncertainty-Aware NLP (UncertaiNLP) at EMNLP 2025

Coarse-to-Fine Grounded Memory for LLM Agent Planning

粗到细的 grounded memory 用于 LLM agent 计划

Wei Yang, Jinwei Xiao, Hongming Zhang, Qingyang Zhang, Yanna Wang, Bo Xu

机构 * National Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institution of Automation, Chinese Academy of Sciences（认知与决策智能复杂系统国家重点实验室，自动化研究所，中国科学院） 纠错

AI总结 本文提出 Coarse-to-Fine Grounded Memory，通过 LLM 实现粗到细的记忆 grounding，以提升代理在复杂规划任务中的灵活性和适应性。

Comments Accepted to EMNLP 2025 Main Conference;27 pages,15 figures

Cognitive Linguistic Identity Fusion Score (CLIFS): A Scalable Cognition-Informed Approach to Quantifying Identity Fusion from Text

认知语言身份融合评分（CLIFS）：一种可扩展的认知导向方法，用于从文本中量化身份融合

Devin R. Wright, Jisun An, Yong-Yeol Ahn

机构 * Center for Complex Networks and Systems Research, Luddy School of Informatics, Computing, and Engineering, Indiana University Bloomington（复杂网络与系统研究中心，信息学、计算与工程学院，印第安纳大学布卢明顿分校） ； Cognitive Science Program, Indiana University Bloomington（认知科学项目，印第安纳大学布卢明顿分校） ； School of Data Science, University of Virginia（数据科学学院，弗吉尼亚大学） ； CulturePulse, Inc.（CulturePulse公司） 纠错

AI总结 CLIFS通过整合认知语言学与大语言模型，提供一种自动化方法来量化文本中的身份融合，有效提升暴力风险评估的准确性。

Comments Authors' accepted manuscript (postprint; camera-ready). To appear in the Proceedings of EMNLP 2025. Pagination/footer layout may differ from the Version of Record

AgentDrug: Utilizing Large Language Models in An Agentic Workflow for Zero-Shot Molecular Editing

AgentDrug: 利用大语言模型在代理工作流中进行零样本分子编辑

Khiem Le, Ting Hua, Nitesh V. Chawla

机构 * University of Notre Dame（诺丁汉大学） 纠错

AI总结 AgentDrug通过代理工作流利用大语言模型，在分子编辑任务中实现更高准确性，特别是在单属性和多属性编辑任务中表现出显著性能提升。

Comments EMNLP'25 Findings

LeWiDi-2025 at NLPerspectives: Third Edition of the Learning with Disagreements Shared Task

在NLPerspectives上发表的LeWiDi-2025：学习与分歧共享任务第三届版

Elisa Leonardelli, Silvia Casola, Siyao Peng, Giulia Rizzi, Valerio Basile, Elisabetta Fersini, Diego Frassinelli, Hyewon Jang, Maja Pavlovic, Barbara Plank, Massimo Poesio

机构 * Fondazione Bruno Kessler（布鲁诺·科塞拉基金会） ； LMU Munich & MCML（慕尼黑大学及MCML） ； Università Milano Bicocca（米兰Bicocca大学） ； Università di Torino（都灵大学） ； University of Gothenburg（哥德堡大学） ； Queen Mary University of London（伦敦大学玛丽女王学院） ； Utrecht University（乌得勒支大学） 纠错

AI总结 LeWiDi-2025通过扩展数据集和引入新型评估方法，推动了学习与分歧的AI模型发展。

Comments 14 pages; LeWiDi-2025 shared task description paper at NLPerspective workshop at EMNLP 2025

LLM Agents for Education: Advances and Applications

教育中的LLM代理：进展与应用

Zhendong Chu, Shen Wang, Jian Xie, Tinghui Zhu, Yibo Yan, Jinheng Ye, Aoxiao Zhong, Xuming Hu, Jing Liang, Philip S. Yu, Qingsong Wen

机构 * Squirrel Ai Learning ； Fudan University（复旦大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Tsinghua University（清华大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 本文综述了LLM代理在教育中的应用进展，探讨了其技术实现、挑战及在不同教育领域的应用。

Comments Accepted by EMNLP 2025 Findings

Language models can learn implicit multi-hop reasoning, but only if they have lots of training data

语言模型可以学习隐式多跳推理，但只有在有大量训练数据的情况下

Yuekun Yao, Yupei Du, Dawei Zhu, Michael Hahn, Alexander Koller

AI总结 本文研究了语言模型通过大量训练数据学习隐式多跳推理的能力，并发现训练数据量随推理跳数呈指数增长，但通过课程学习可部分缓解这一需求。

Comments Accepted at EMNLP 2025

Vicarious Offense and Noise Audit of Offensive Speech Classifiers: Unifying Human and Machine Disagreement on What is Offensive

陪审式攻击与攻击性言论分类的噪声审计：统一人类与机器对什么是攻击性意见的分歧

Tharindu Cyril Weerasooriya, Sujan Dutta, Tharindu Ranasinghe, Marcos Zampieri, Christopher M. Homan, Ashiqur R. KhudaBukhsh

AI总结 本文通过噪声审计和新数据集，揭示了人类和机器对攻击性言论的分歧，并发现政治倾向和敏感问题影响攻击性判断。

Comments Accepted at EMNLP 2023

Problem Solved? Information Extraction Design Space for Layout-Rich Documents using LLMs

问题已解决？利用LLMs处理布局丰富文档的信息提取设计空间

Gaye Colakoglu, Gürkan Solmaz, Jonathan Fürst

机构 * Zurich University of Applied Sciences（苏黎世应用科学大学） ； NEC Laboratories Europe（NEC欧洲实验室） 纠错

AI总结 本文通过LayIE-LLM测试套件研究了利用LLMs处理布局丰富文档的信息提取设计空间，证明通用LLMs在优化配置下可媲美专用模型，提供低成本无微调方案。

Comments accepted at EMNLP'25

FinCoT: Grounding Chain-of-Thought in Expert Financial Reasoning

FinCoT：在专家金融推理中 grounding 思维链

Natapong Nitarach, Warit Sirichotedumrong, Panop Pitchayarthorn, Pittawat Taveekitworachai, Potsawee Manakul, Kunat Pipatanakul

机构 * SCB 10X, SCBX Group（SCB 10X集团） 纠错

AI总结 FinCoT通过整合专家金融推理蓝图，提升金融领域模型性能并减少推理成本，实现更可解释的推理过程。

Comments Accepted at FinNLP-2025, EMNLP (Oral Presentation)

Training a Utility-based Retriever Through Shared Context Attribution for Retrieval-Augmented Language Models

通过共享上下文归因训练基于效用的检索器以增强检索增强语言模型

Yilong Xu, Jinhua Gao, Xiaoming Yu, Yuanhai Xue, Baolong Bi, Huawei Shen, Xueqi Cheng

机构 * State Key Lab of AI Safety, Institute of Computing Technology, CAS（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） ； Key Lab of AI Safety, Chinese Academy of Sciences（人工智能安全重点实验室，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 SCARLet通过共享上下文归因和多任务泛化提升检索增强语言模型的检索性能。

Comments EMNLP 2025 Main Conference (Long paper)

CAARMA: Class Augmentation with Adversarial Mixup Regularization

CAARMA: 基于对抗混合正则化的类别增强

Massa Baali, Xiang Li, Hao Chen, Syed Abdul Hannan, Rita Singh, Bhiksha Raj

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 CAARMA通过在嵌入空间中生成合成类别并采用对抗性细化机制，提升说话人验证和零样本语音分析任务的性能。

Comments Accepted to EMNLP 2025 Findings

How Much Do LLMs Hallucinate across Languages? On Realistic Multilingual Estimation of LLM Hallucination

LLMs在不同语言中产生幻觉的程度有多大？对多语言现实估计LLM幻觉的探讨

Saad Obaid ul Islam, Anne Lauscher, Goran Glavaš

机构 * WüNLP, CAIDAS, University of Würzburg（乌尔姆大学） ； Data Science Group, University of Hamburg（汉堡大学） 纠错

AI总结 研究评估了多语言LLM在长形式问答中的幻觉程度，发现高资源语言中幻觉率与语言规模无关，且支持更多语言的LLM幻觉率更高。

Comments EMNLP 2025

A Structured Framework for Evaluating and Enhancing Interpretive Capabilities of Multimodal LLMs in Culturally Situated Tasks

一种评估和增强多模态大语言模型在文化情境任务中解释能力的结构框架

Haorui Yu, Ramon Ruiz-Dolz, Qiufeng Yi

机构 * DJCAD, University of Dundee, United Kingdom（邓迪大学DJCAD部门） ； ARG-tech, SSEN, University of Dundee, United Kingdom（邓迪大学） ； School of Computer Science, University of Birmingham, United Kingdom（伯明翰大学计算机科学学院） 纠错

AI总结 本研究提出了一种结构框架，用于评估和增强多模态大语言模型在文化情境任务中生成中国绘画批评的能力，通过量化评价特征和人设引导提示，揭示了VLMs在艺术批评领域的表现与局限。

Comments EMNLP 2025 submission, 10 pages, 6 figures, 5 tables

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025, pages 1945-1971, Suzhou, China

From Scores to Steps: Diagnosing and Improving LLM Performance in Evidence-Based Medical Calculations

从分数到步骤：诊断和改进证据医学计算中LLM的性能

Benlu Wang, Iris Xia, Yifan Zhang, Junda Wang, Feiyun Ouyang, Shuo Han, Arman Cohan, Hong Yu, Zonghai Yao

机构 * Department of Computer Science, Yale University, CT, USA（耶鲁大学计算机科学系） ； Center for Healthcare Organization and Implementation Research, VA Bedford Health Care（VA贝福德医疗中心健康组织与实施研究中心） ； Miner School of Computer and Information Sciences, UMass Lowell, MA, USA（UMass洛厄尔矿尔计算机与信息科学学院） ； Manning College of Information and Computer Sciences, UMass Amherst, MA, USA（UMass阿默斯特马宁信息与计算机科学学院） 纠错

AI总结 本文提出MedRaC框架，通过分步评估和代码执行提升LLM在证据医学计算中的准确性，揭示现有评估方法的不足，并推动临床可信度的提升。

Comments Equal contribution for the first two authors. To appear as an Oral presentation in the proceedings of the Main Conference on Empirical Methods in Natural Language Processing (EMNLP) 2025

MedTutor: A Retrieval-Augmented LLM System for Case-Based Medical Education

MedTutor: 一种基于检索的LLM系统用于基于病例的医学教育

Dongsuk Jang, Ziyao Shangguan, Kyle Tegtmeyer, Anurag Gupta, Jan Czerminski, Sophie Chheang, Arman Cohan

机构 * Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； Department of Radiology and Biomedical Imaging, Yale School of Medicine（耶鲁医学院放射学与生物医学成像系） ； Interdisciplinary Program for Bioengineering, Seoul National University（首尔国立大学生物工程跨学科项目） 纠错

AI总结 MedTutor是一种基于检索的LLM系统，通过自动从临床病例报告生成教育内容和多项选择题，提升医学教育质量。

Comments Accepted to EMNLP 2025 (System Demonstrations)

Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing: System Demonstrations, pages 319-353