ACL 2026：投稿暴增 45%，最佳论文一作全是华人，大模型研究成焦点！-优快云博客

ACL 2026：大语言模型主导的计算语言学顶会

ACL 2026 作为计算语言学的年度顶会，今年共评出三篇最佳论文，一作都是华人。会议于今年 7 月在美国圣地亚哥举行，规模刷新历史纪录。主会共收到 12148 篇投稿，比 2025 年暴增 45%，最终接收论文合计超过 4462 篇。

史上最卷的一届 ACL

这届 ACL 堪称史上最卷，平均每篇论文挂着 6.25 个作者，最多一篇署了 102 个名字，单人独作论文只剩 39 篇，占比不到 1%。有 83 位作者各自被接收 10 篇以上，甚至有人一月投稿 65 篇中 36 篇。全部作者里，67%彼此通过合著关系连在一起。支撑评审的人员数量大幅增加，桌拒数量也翻了一倍多。参会作者约 2.6 万人，比去年增长。从国家/地区看，中国大陆作者占比高达 54.0%，稳居第一。论文标题中，“LLM/LLMs”“Reasoning”“Multi”出现频率高，今年还新设多个围绕大模型的赛道，这是一届被大语言模型彻底主导的 ACL。可偏偏，最高荣誉给了两篇“不太 LLM”的论文。

最佳论文一：一道语法题，难倒 7 个大模型

论文《The Imperfective Paradox in Large Language Models》的核心是语言学里的未完成体悖论。作者构建诊断数据集，用完成类/活动类动词的 2×2 最小对隔离语义推理能力，让 7 个开源模型考试，结果模型“全军覆没”，存在“目的论偏见”。零样本下，多个模型偏见率高，甚至不读上下文顺着惯性猜。作者判断这些开源大模型“运作起来更像预测叙事走向的引擎，而非忠实的逻辑推理者”。更深发现是表征与推理分离，提示工程效果不佳，不过 Scaling 似乎有救，参数放大偏见率下降。一作马博磊是慕尼黑大学在读博士，研究聚焦“以人为本的 NLP”等领域。

最佳论文二：给大模型装一颗会遗忘的人脑

论文《Memory efficiency and resource-rational encoding in sentence processing》想解决让语言模型像人一样在有限工作记忆里精打细算的问题。作者往 Transformer 隐藏表征里注入噪声并训练模型，结果有两个关键发现：一是模型对人类阅读时间的拟合变好，读句子“节奏”更接近真人；二是模型上下文表征被重塑，更“压缩”“范畴化”，这表明工作记忆的“检索机制”和底层的“记忆表征”可分离。一作徐炜杰是加州大学欧文分校博士生，本科是上海外国语大学西班牙语言文学专业，之后获芝加哥大学计算社会科学硕士学位，2026 年秋季将前往马萨诸塞大学阿默斯特分校做博士后研究。

最佳论文三：为什么“只看局部”的注意力，反而更强

论文《Characterizing the Expressivity of Local Attention in Transformers》解答了局部注意力让模型效果更好却无合理解释的问题。用形式语言理论证明加上局部注意力会引入第二个时序算子，扩大模型能识别的正则语言类，且全局和局部注意力表达力“互补”，结合效果更好，实验也印证了这一点。一作 Jiaoda Li 是苏黎世联邦理工学院 AI 中心博士研究员，本科是香港城市大学电子与通信工程专业，之后获 ETH 数据科学硕士学位并读到博士。