ACL 2026 共有三篇最佳论文，其第一作者均为华人。

其中一篇由慕尼黑大学的 Bolei Ma 和东京大学的宫尾祐介（Yusuke Miyao）共同完成，题为《Large Language Models 中的未完成体悖论》。该研究使用了一个基础的语法问题，对七种开源大型语言模型进行了评估。

另一篇最佳论文《Sentence Processing 中的记忆效率与资源理性编码》的作者包括加州大学欧文分校的徐炜杰（Weijie Xu）、马萨诸塞大学阿默斯特分校的 Brian Dillon 以及加州大学欧文分校的 Richard Futrell。该研究通过模拟人类大脑的遗忘机制，发现模型在具备这一特性后表现更趋近人类。

第三篇最佳论文《Transformer 中局部注意力的表达能力表征》由苏黎世联邦理工学院的 Jiaoda Li 和 Ryan Cotterell 撰写。该论文运用形式语言理论，阐释了局部注意力机制为何能带来更强的性能。

今年的 ACL 会议规模空前，共收到 12148 篇投稿，较去年增加了 45%。最终，主会议录用了 2297 篇论文，录取率为 18.9%；Findings 录用了 2164 篇，录取率为 17.8%，总计接收论文超过 4462 篇。平均每篇论文有 6.25 位作者，仅有 39 篇论文为单人完成。

会议的评审工作由 8594 名审稿人、1434 名领域主席和 255 名高级领域主席承担，其中审稿人数量较去年增长 46%。桌拒数量翻倍，达到 925 篇，原因包括不符合模板、缺少局限性章节、违反匿名规则以及引用不存在的文献等。参会人数也达到了约 2.6 万人。

在作者所属国家/地区方面，中国大陆作者占比 54.0%，位居第一，美国以 18.4% 居第二。论文标题中，「LLM/LLMs」出现频率最高，占 23%，其次是「Reasoning」（18%）和「Multi」（11%）。会议新增了 AI/LLM Agent、大模型安全与对齐、数学与符号推理、代码模型、大模型效率等赛道，显示出大模型在该领域的主导地位。

最佳论文一《Large Language Models 中的未完成体悖论》探讨了语言学中的未完成体悖论现象。研究人员构建了一个名为 ImperfeciveNLI 的诊断数据集，包含 400 条英文样本，用于评估七种 70 亿至 90 亿参数的开源模型。结果显示，模型普遍存在「目的论偏见」，即倾向于认为带有目标的动作最终会成功，即使句子内容表明了失败的可能性。例如，在「木匠在盖凉亭」这类句子中，模型几乎都错误地推断出「凉亭盖好了」。Llama-3.1、Mistral 和 DeepSeek 等模型在该测试中的偏见率分别高达 0.98、0.97 和 1.00。研究指出，这些大型模型更像是「预测叙事走向的引擎」，而非严格的逻辑推理者，它们倾向于遵循故事的可能结局，而非进行严谨的逻辑推断。研究还发现，表征与推理是分离的，编码层可能理解不同动词的时态差异，但在解码时会受世界知识先验的影响。反事实提示可以纠正偏见，但可能导致模型在其他句子上过度怀疑。然而，模型规模的扩大似乎能缓解这种偏见，当参数量达到 320 亿左右时，准确率显著提升。该论文的第一作者马博磊是慕尼黑大学的在读博士生，其研究方向为「以人为本的 NLP」、计算社会科学以及计算语义与语用学。

最佳论文二《Sentence Processing 中的记忆效率与资源理性编码》旨在使语言模型在处理语言时，能够像人脑一样，在有限的工作记忆中进行高效分配。研究人员通过向 Transformer 的隐藏表征中注入可调噪声，并训练模型在编码精度受限的情况下进行更准确的词语预测。实验发现了两个关键结果：一是模型对人类阅读时间的拟合度显著提高，即阅读节奏更接近真人；二是模型的上下文表征因此得到重塑，变得更加压缩和范畴化。这表明，在人类句子加工的模型中，工作记忆的检索机制和记忆表征可以分离。研究强调，限制模型的「节省」能力，能促使其发展出更接近人脑的表示方式。该论文的第一作者徐炜杰是加州大学欧文分校语言科学专业的博士生，其本科专业为西班牙语言文学，后在芝加哥大学获得计算社会科学硕士学位。

最佳论文三《Transformer 中局部注意力的表达能力表征》解释了为何局部注意力机制在 Transformer 模型中常能带来更好的效果，尽管其初衷是为了节省计算资源。研究利用形式语言理论，证明了局部注意力引入了第二个时序算子，从而扩展了模型能够识别的正则语言类别。研究还发现，全局注意力和局部注意力在表达能力上具有互补性，结合使用能获得更丰富的语言表示。实验结果证实，全局与局部注意力混合的 Transformer 模型在形式语言识别和自然语言建模任务上均优于纯全局注意力模型。该论文的第一作者 Jiaoda Li（李矫达）是苏黎世联邦理工学院（ETH）AI中心的博士研究员，研究方向为可解释 NLP。

此外，ACL 2026 还评选出 18 篇杰出论文，其中华人作者在其中占据了显著比例，特别是在强化学习和大型模型安全等热门方向，有多篇论文完全由华人团队完成。这些杰出论文涵盖了推理与强化学习、智能体与评测、安全与可信、效率、语音与多模态、语言学与多语言等多个领域。例如，在推理与强化学习方向，上海人工智能实验室、苏州大学、浙江大学、复旦大学合作的《Evolutionary Guided Decoding: Iterative Value Refinement for LLMs》被列为杰出论文。在安全、可信与检测领域，中国科学院计算技术研究所和中国科学院大学的研究人员发表了《Beyond the Final Actor: Modeling the Dual Roles of Creator and Editor for Fine-Grained LLM-Generated Text Detection》。在语音与多模态方面，哈尔滨工业大学（深圳）、香港中文大学（深圳）及深圳Loop Area研究院的研究人员贡献了《Hierarchical Acoustic-Semantic Modeling: Modality Separation and Semantic Coherence for Full-Duplex SLMs》。

這是關於撰寫角色背景系列文章的開端。後續我會分享更多實用技巧，敬請期待！別忘了在留言區告訴我，你還想看到哪些主題的內容！