【Introduction】12148 soumissions, soit une augmentation explosive de 45% ! ACL 2026 envahi par les articles sur les LLM ! Les trois premiers auteurs des meilleurs articles sont tous d'origine chinoise, et les chercheurs chinois monopolisent quasiment les articles exceptionnels.
Les meilleurs articles d'ACL 2026 sont dévoilés !
En tant que conférence de référence annuelle en linguistique computationnelle, ACL a décerné cette année trois prix de meilleur article (Best Paper Award), dont les premiers auteurs sont tous d'origine chinoise.
« The Imperfective Paradox in Large Language Models », auteurs : Bolei Ma de l'Université de Munich et Yusuke Miyao de l'Université de Tokyo.
À l'aide d'un problème de grammaire qu'un élève de primaire pourrait résoudre, il a mis à l'épreuve sept grands modèles open source.
« Memory efficiency and resource-rational encoding in sentence processing », auteurs : Weijie Xu de l'Université de Californie à Irvine, Brian Dillon de l'Université du Massachusetts à Amherst, et Richard Futrell de l'Université de Californie à Irvine.
Il a pris le contre-pied en forçant un grand modèle à intégrer un cerveau humain « capable d'oublier », et a découvert que le modèle devenait ainsi plus proche de l'humain.
« Characterizing the Expressivity of Local Attention in Transformers », auteurs : Jiaoda Li et Ryan Cotterell de l'École polytechnique fédérale de Zurich (ETH).
À l'aide de la théorie des langages formels, il a clarifié une question utilisée depuis des années mais jamais vraiment expliquée : pourquoi l'attention « uniquement locale » est-elle plus puissante ?
L'édition d'ACL la plus compétitive de l'histoire
ACL 2026 s'est tenue en juillet de cette année à San Diego, aux États-Unis, battant tous les records de participation.
La conférence principale a reçu 12 148 soumissions, soit une augmentation de 45% par rapport à 2025.
Au final, la conférence principale a accepté 2297 articles (taux d'acceptation de 18,9%), et les Findings en ont accepté 2164 (17,8%), pour un total de plus de 4462 articles acceptés.
En moyenne, chaque article compte 6,25 auteurs, le record étant de 102 noms sur un seul article ; en comparaison, seuls 39 articles sont l'œuvre d'un seul auteur, représentant moins de 1%.
Parmi eux, 83 auteurs ont chacun plus de 10 articles acceptés (66% de plus que l'an dernier) ; l'un d'eux a même soumis 65 articles et en a fait accepter 36 rien que pour la session de janvier.
67% (13 563) de tous les auteurs sont connectés les uns aux autres par des relations de coauteurs.
L'évaluation a été soutenue par 8594 examinateurs (+46%), 1434 présidents de domaine (+28%) et 255 présidents de domaine seniors (+51%).
Les rejets de bureau (desk reject) ont plus que doublé, atteignant 925 articles (+106%), pour des raisons variées : non-conformité au modèle, absence de section Limitations, violation de l'anonymat, ou même citation de références inexistantes.
Environ 26 000 auteurs ont participé, dépassant les 20 000 de l'année dernière.
Par pays/région, les auteurs de Chine continentale représentent 54,0%, restant en tête ; les États-Unis sont deuxième avec 18,4% ; suivis par la Corée du Sud 3,8%, Singapour 2,3%, le Royaume-Uni 2,0%, l'Allemagne 1,9%, l'Inde 1,7%, le Japon 1,5%.
Si cette édition a une « empreinte de l'époque », elle est écrite dans les titres des articles : parmi tous les titres, « LLM/LLMs » apparaît dans 23% des cas, « Reasoning » 18%, « Multi » 11%.
Cette année a également vu la création de nouvelles pistes — agents IA/LLM, sécurité et alignement des grands modèles, raisonnement mathématique et symbolique, modèles de code, efficacité des grands modèles, applications cliniques et biomédicales — presque toutes tournant autour des grands modèles.
En d'autres termes, il s'agit d'une édition d'ACL complètement dominée par les grands modèles de langage.
Et pourtant, les plus hautes distinctions ont été attribuées à deux articles « pas très LLM ».
Meilleur article 1 : Un problème de grammaire met 7 grands modèles en difficulté
Article : The Imperfective Paradox in Large Language Models
Auteurs : Bolei Ma, Yusuke Miyao
Institutions : Université de Munich, Université de Tokyo
Adresse de l'article :https://aclanthology.org/2026.acl-long.689/
Le cœur de cet article est un phénomène classique en linguistique : le paradoxe de l'imparfait (Imperfective Paradox).
En chinois, « Il est en train de courir » implique généralement « Il a couru », car les actions de type « activité » n'ont pas de point final intrinsèque, et même à moitié faites, elles sont considérées comme ayant eu lieu.
Mais « Le charpentier est en train de construire un pavillon » n'implique pas « Le pavillon est construit », car les actions de type « accomplissement » ont un point final clair ; il pourrait être détruit par une tempête à mi-chemin.
Le présent progressif implique la réalisation pour le premier type, mais pas pour le second. C'est le paradoxe de l'imparfait, qu'une personne ayant une formation linguistique de base ne confondrait presque jamais.
Et les grands modèles ?
Les auteurs ont construit un ensemble de données de diagnostic de 400 échantillons en anglais, ImperfectiveNLI, utilisant des paires minimales 2×2 de verbes d'accomplissement/d'activité pour isoler la capacité de raisonnement sémantique, puis ont testé 7 modèles open source de 7 à 90 milliards de paramètres. Les résultats sont un « échec généralisé ».
Face à des phrases ambiguës comme « Le charpentier construit un pavillon », les modèles jugent presque systématiquement que « c'est construit ».
Les auteurs nomment cette tendance à « supposer le succès dès qu'un but est vu » le « biais téléologique » (teleological bias).
En zero-shot, le taux de biais de Llama-3.1 atteint 0,98, Mistral 0,97, et DeepSeek 1,00 : toute action ayant un but est considérée comme accomplie.
Plus absurde encore, même lorsque la phrase indique clairement « une tempête a détruit la structure avant que le toit ne soit installé », de nombreux modèles insistent pour dire que c'est fait. La précision de Gemma-2 sur ce type de question n'est que de 3%. Il ne lit pas le contexte, il devine simplement selon l'inertie que « toute construction réussit ».
Ainsi, les auteurs donnent le jugement clé de cet article —
Ces grands modèles open source « fonctionnent davantage comme des moteurs de prédiction narrative que comme des raisonneurs logiques fidèles » (predictive narrative engines rather than faithful logical reasoners).
En d'autres termes, ils ne raisonnent pas, ils devinent simplement la fin la plus probable d'une histoire.
Une découverte plus profonde est que la représentation et le raisonnement sont dissociés.
D'après une relation inverse presque parfaite (coefficient de corrélation -0,97), la couche d'encodage « sait » en réalité que *was building* et *built* ne sont pas la même chose, mais lors du décodage, elle est entraînée par l'a priori des connaissances du monde.
À ce stade, l'ingénierie des prompts ne fait que déplacer le problème.
Les prompts contrefactuels peuvent corriger le biais, mais rendent le modèle méfiant envers les phrases simples d'activité, les rejetant toutes, oscillant entre un « optimisme naïf » et un « scepticisme paranoïaque ».
Heureusement, le *Scaling* semble offrir une solution : en passant de 1,5 à 72 milliards de paramètres, le taux de biais diminue significativement, avec une « transition de phase » vers 32 milliards où la précision monte en flèche à 0,91.
Un jeune chercheur qui « interroge » les grands modèles avec la linguistique
Le premier auteur de cet article, Ma Bolei, est doctorant à l'Université de Munich.
Il est affilié au laboratoire Social Data Science and AI Lab (SODA Lab, superviseur Frauke Kreuter) du département de statistiques de l'université, ainsi que membre junior du Munich Center for Machine Learning (MCML), et doctorant externe au laboratoire MaiNLP (superviseur Barbara Plank).
Les recherches de Ma Bolei se concentrent depuis longtemps sur le « NLP centré sur l'humain », les sciences sociales computationnelles, ainsi que la sémantique et la pragmatique computationnelles — le fondement même de cet article : utiliser des théories linguistiques solides pour examiner les grands modèles à la mode.
Meilleur article 2 : Donner un cerveau humain qui oublie à un grand modèle.
Article : Memory efficiency and resource-rational encoding in sentence processing
Auteurs : Weijie Xu, Brian Dillon, Richard Futrell
Institutions : Université de Californie à Irvine, Université du Massachusetts à Amherst
Adresse de l'article :
Le problème que cet article tente de résoudre est : pour qu'un modèle de langage devienne vraiment un modèle du « traitement du langage humain », il doit, comme l'humain, optimiser sa mémoire de travail limitée.
La mémoire de travail du cerveau humain est une ressource rare, mais elle est utilisée sans effort. Les humains allouent instinctivement la précision de mémoire limitée en priorité aux contenus surprenants, riches en informations, tout en effleurant les parties prévisibles.
La méthode des auteurs est ingénieuse : injecter du bruit, à un taux ajustable, dans les représentations cachées du Transformer, puis entraîner le modèle avec un objectif mixte — sous la contrainte stricte d'une « précision d'encodage totale limitée », prédire le mot suivant aussi précisément que possible.
En d'autres termes, forcer le modèle à apprendre à être « économe », à dépenser sa mémoire précieuse là où cela compte.
Les résultats apportent deux découvertes clés.
Premièrement, après avoir ajouté cette contrainte de mémoire de travail, l'ajustement du modèle aux temps de lecture humains s'améliore significativement. Autrement dit, son « rythme » de lecture des phrases se rapproche de celui d'un véritable humain.
Deuxièmement, et c'est plus important — pour gérer la précision d'encodage, les représentations contextuelles du modèle sont remodelées, devenant plus « compressées » et plus « catégorielles » (categorical).
Cela conduit à une conclusion intrigante : dans les modèles du traitement des phrases humaines, les « mécanismes de récupération » de la mémoire de travail et les « représentations mnésiques » sous-jacentes peuvent être dissociés (dissociation).
Autrement dit, ce n'est pas en donnant plus de mémoire au modèle qu'il ressemble plus à l'humain, mais en lui imposant une contrainte de « devoir économiser » qu'il développera spontanément des modes de représentation plus proches du cerveau humain.
De la spécialisation en espagnol à la psycholinguistique computationnelle
Le premier auteur, Xu Weijie, est actuellement doctorant en sciences du langage à l'Université de Californie à Irvine, sous la direction du psycholinguiste computationnel Richard Futrell, spécialisé en psycholinguistique computationnelle.
Sa licence était en langue et littérature espagnoles à l'Université des études internationales de Shanghai. Ensuite, il a obtenu une maîtrise en sciences sociales computationnelles à l'Université de Chicago, sous la direction de Ming Xiang.
À l'automne 2026, il se rendra à l'Université du Massachusetts à Amherst pour commencer des recherches postdoctorales.
Sur sa page personnelle, il écrit que le système cognitif humain est limité par de multiples contraintes, mais fonctionne presque sans effort ; et sa recherche vise précisément à utiliser le langage humain comme une fenêtre pour entrevoir cette nature « limitée » de l'esprit humain.
Meilleur article 3 : Pourquoi l'attention « uniquement locale » est-elle plus puissante
Article : Characterizing the Expressivity of Local Attention in Transformers
Auteurs : Jiaoda Li, Ryan Cotterell
Institutions : École polytechnique fédérale de Zurich (ETH Zürich)
Adresse de l'article :https://aclanthology.org/2026.acl-long.1739/
Le point fort du Transformer est l'« attention globale » : pour générer chaque mot, il regarde tous les mots précédents. Une variante courante, l'« attention locale », force chaque mot à ne regarder que ses voisins dans une fenêtre fixe, réduisant le coût de calcul quadratique à linéaire.
L'attention locale était initialement destinée à économiser du calcul, mais on a constaté qu'elle améliorait souvent aussi les performances du modèle. Ce phénomène n'avait jamais reçu d'explication satisfaisante.
Cet article apporte une réponse grâce à la théorie des langages formels.
Il avait déjà été conclu qu'un Transformer avec une précision fixe et seulement une attention globale correspond à un fragment de la logique temporelle linéaire contenant un seul opérateur « passé ».
Les auteurs démontrent en outre qu'ajouter une attention locale introduit un deuxième opérateur temporel, élargissant strictement la classe des langages réguliers que le modèle peut reconnaître.
Plus intéressant encore, l'attention globale et locale sont « complémentaires » en expressivité, aucune ne peut remplacer l'autre ; leur combinaison permet d'atteindre le niveau le plus riche.
Les expériences de reconnaissance de langages formels et de modélisation de langage naturel confirment ce point : le Transformer hybride global+local surpasse clairement la version purement globale.
Le premier auteur, Jiaoda Li, est chercheur doctorant au Center for AI de l'École polytechnique fédérale de Zurich (ETH), sous la direction du linguiste computationnel Ryan Cotterell et de Stefan Feuerriegel. Ses recherches se concentrent sur le NLP explicable.
Sa licence était en génie électronique et des communications à la City University of Hong Kong ; il a ensuite obtenu un master en science des données à l'ETH, avant de poursuivre en doctorat.
Articles exceptionnels : quasi-monopole par les chercheurs d'origine chinoise
Outre les meilleurs articles, ACL 2026 a également sélectionné 18 articles exceptionnels (Outstanding Paper).
En parcourant la liste, on constate un fait encore plus frappant : la force chinoise occupe presque la moitié du terrain, en particulier dans les domaines les plus chauds de l'apprentissage par renforcement et de la sécurité des grands modèles, où plusieurs articles sont même produits par des équipes entièrement d'origine chinoise.
Raisonnement et apprentissage par renforcement
1. Evolutionary Guided Decoding: Iterative Value Refinement for LLMs
Auteurs : Zhenhua Liu, Lijun Li, Ruizhe Chen, Yuxian Jiang, Tong Zhu, Zhaochen Su, Wenliang Chen, Jing Shao
Institutions : Shanghai Artificial Intelligence Laboratory, Université de Soochow, Université du Zhejiang, Université de Fudan
2. Rethinking Entropy Interventions in RLVR: An Entropy Change Perspective
Auteurs : Zhezheng Hao, Hong Wang, Haoyang Liu, Jian Luo, Jiarui Yu, Hande Dong, Qiang Lin, Can Wang, Jiawei Chen
Institutions : Université du Zhejiang, Tencent
3. GeoRA: Geometry-Aware Low-Rank Adaptation for RLVR
Auteurs : Jiaying Zhang, Lei Shi, Jiguo Li, Jun Xu, Jiuchong Gao, Jinghua Hao, Renqing He
Institutions : Meituan, Université de Pékin
4. CURE: Critique-Driven Unified Reinforcement Learning for Test-Time Self-Improvement
Auteurs : Guirong Chen, Shuqi Ye, Wenkai Yang, Shiqi Shen, Guangyao Shen, Yankai Lin
Agents et évaluation
5. CAR-bench: Evaluating the Consistency and Limit-Awareness of LLM Agents under Real-World Uncertainty
Auteurs : Johannes Kirmayr, Lukas Stappen, Elisabeth André
Institutions : Groupe BMW Research, Université d'Augsbourg
6. MediEval: A Unified Medical Benchmark for Patient-Contextual and Knowledge-Grounded Reasoning in LLMs
Auteurs : Zhan Qu, Michael Färber
Institutions : Université technique de Dresde, ScaDS.AI (Allemagne)
7. Mind the (DH) Gap! A Contrast in Risky Choices Between Reasoning and Conversational LLMs
Auteurs : Luise Ge, Yongyan Zhang, Yevgeniy Vorobeychik
Institutions : Université de Washington à Saint-Louis
8. CIG: Measuring Conversational Information Gain in Deliberative Dialogues with Semantic Memory Dynamics
Auteurs : Ming-Bin Chen, Jey Han Lau, Lea Frermann
Institutions : Université de Melbourne
Sécurité, confiance et détection
9. Lying with Truths: Open-Channel Multi-Agent Collusion for Belief Manipulation via Generative Montage
Auteurs : Jinwei Hu, Xinmiao Huang, Youcheng Sun, Yi Dong, Xiaowei Huang
Institutions : Université de Liverpool, Université Mohamed bin Zayed d'Intelligence Artificielle (MBZUAI)
10. Beyond the Final Actor: Modeling the Dual Roles of Creator and Editor for Fine-Grained LLM-Generated Text Detection
Auteurs : Yang Li, Qiang Sheng, Zhengjia Wang, Yehan Yang, Danding Wang, Juan Cao
Institutions : Institut de technologie informatique de l'Académie chinoise des sciences, Université de l'Académie chinoise des sciences
11. Maximizing Local Entropy Where It Matters: Prefix-Aware Localized LLM Unlearning
Auteurs : Naixin Zhai, Pengyang Shao, Binbin Zheng, Yonghui Yang, Fei Shen, Long Bai, Xun Yang
Institutions : Université des sciences et technologies de Chine, Université nationale de Singapour
Efficacité
12. From Local to Global: Revisiting Structured Pruning Paradigms for Large Language Models
Auteurs : Ziyan Wang, Enmao Diao, Qi Le, Pu Wang, Minwoo Lee, Shu-ping Yeh, Evgeny V Stupachenko, Hao Feng, Li Yang
Institutions : Université de Caroline du Nord à Charlotte, Université du Minnesota, Intel, DreamSoul
Parole et multimodal
13. MauBERT: Universal Phonetic Inductive Biases for Few-Shot Acoustic Units Discovery
Auteurs : Angelo Ortiz Tandazo, Manel Khentout, Youssef Benchekroun, Thomas Hueber, Emmanuel Dupoux
Institutions : École normale supérieure de Paris (ENS/PSL), CNRS, Université Grenoble Alpes (GIPSA-lab), Meta AI (France)
14. Hierarchical Acoustic-Semantic Modeling: Modality Separation and Semantic Coherence for Full-Duplex SLMs
Auteurs : Zhenyu Liu, Xuanyu Zhang, Yunxin Li, Qixun Teng, Shenyuan Jiang, Haolan Chen, Minjun Zhao, Fanbo Meng, Yu Xu, Yancheng He, Baotian Hu, Haizhou Li, Min Zhang
Institutions : Université de technologie de Harbin (Shenzhen), Université chinoise de Hong Kong (Shenzhen), Institut de recherche Loop Area de Shenzhen
15. ViLL-E: Video LLM Embeddings for Retrieval
Auteurs : Rohit Gupta, Jayakrishnan Unnikrishnan, Fan Fei, Sheng Liu, Son Tran, Mubarak Shah
Institutions : Amazon, Université de Floride centrale
Linguistique et multilingue
16. Systematicity between Forms and Meanings across Languages Supports Efficient Communication
Auteurs : Doreen Osmelak, Yang Xu, Michael Hahn, Kate McCurdy
Institutions : Université de la Sarre, Université de Toronto
17. Massively Multilingual Joint Segmentation and Glossing
Auteurs : Michael Ginn, Lindia Tjuatja, Enora Rice, Ali Marashian, Maria Valentini, Jasmine Xu, Graham Neubig, Alexis Palmer
Institutions : Université du Colorado à Boulder, Université Carnegie Mellon
18. CxMP: A Linguistic Minimal-Pair Benchmark for Evaluating Constructional Understanding in Language Models
Auteurs : Miyu Oba, Saku Sugawara
Institutions : Institut de science et technologie de Nara, Institut national d'informatique du Japon, Université de Tokyo
Références :
https://x.com/BoleiMaBolei/status/2074897470572925124?s=20
https://x.com/weijiexu_97/status/2074923463094218973
https://msukhareva.substack.com/p/outstanding-paper-awards-of-acl-2026
Cet article provient du compte WeChat public « XinZhiYuan », auteur : ASI Apocalypse ; éditeur : Moïse
