【导读】Submisi melonjak 45% jadi 12,148 makalah, ACL 2026 dipenuhi makalah LLM! Tiga makalah terbaik semuanya penulis pertamanya peneliti Tionghoa, dan mereka nyaris memborong semua makalah unggulan.
Makalah terbaik ACL 2026, telah diumumkan!
Sebagai konferensi puncak tahunan linguistik komputasional, ACL tahun ini menganugerahkan tiga Best Paper Award (Penghargaan Makalah Terbaik), dan penulis pertama semuanya adalah peneliti Tionghoa.
"The Imperfective Paradox in Large Language Models", ditulis oleh Bolei Ma dari Universitas Munich dan Yusuke Miyao dari Universitas Tokyo.
Makalah ini menggunakan soal tata bahasa yang bahkan siswa SD bisa jawab, untuk menguji 7 model bahasa besar sumber terbuka hingga ke akar-akarnya.
"Memory efficiency and resource-rational encoding in sentence processing", ditulis oleh Weijie Xu dari University of California, Irvine, Brian Dillon dari University of Massachusetts Amherst, dan Richard Futrell dari University of California, Irvine.
Makalah ini mengambil pendekatan sebaliknya, memasang 'otak manusia yang bisa lupa' ke model besar, dan hasilnya model malah jadi lebih mirip manusia.
"Characterizing the Expressivity of Local Attention in Transformers", ditulis oleh Jiaoda Li dan Ryan Cotterell dari ETH Zürich.
Makalah ini menggunakan teori bahasa formal untuk menjelaskan masalah yang sudah lama dipakai tapi belum pernah dijelaskan dengan jelas: mengapa perhatian yang 'hanya melihat secara lokal' justru lebih kuat.
ACL Paling Kompetitif Sepanjang Sejarah
ACL 2026 diadakan di San Diego, AS, pada Juli tahun ini, dengan skala memecahkan rekor sejarah.
Konferensi utama menerima 12,148 submisi, meningkat drastis 45% dibanding tahun 2025.
Akhirnya, konferensi utama menerima 2,297 makalah (tingkat penerimaan 18.9%), Findings menerima 2,164 makalah (17.8%), total lebih dari 4,462 makalah diterima.
Rata-rata setiap makalah ditulis oleh 6.25 penulis, dengan satu makalah paling banyak memiliki 102 nama penulis; sebaliknya, makalah yang ditulis sendirian hanya tersisa 39, kurang dari 1%.
Di antara mereka, ada 83 penulis yang masing-masing memiliki lebih dari 10 makalah diterima (bertambah 66% dari tahun lalu); bahkan ada yang hanya dalam batch submisi bulan Januari, langsung mengirim 65 makalah dan diterima 36.
Dari semua penulis, 67% (13,563 orang) terhubung satu sama lain melalui hubungan penulisan bersama.
Proses review ini didukung oleh 8,594 reviewer (+46%), 1,434 area chair (+28%), dan 255 senior area chair (+51%).
Jumlah penolakan meja (desk reject) berlipat ganda lebih dari dua kali, mencapai 925 makalah (+106%), dengan alasan beragam: format tidak sesuai, kurang bab Limitations, pelanggaran anonimitas, bahkan mengutip literatur yang tidak ada.
Penulis yang hadir sekitar 26,000 orang, meningkat lagi dari 20,000 tahun lalu.
Dilihat dari negara/wilayah, penulis dari Tiongkok Daratan mendominasi dengan 54.0%, stabil di peringkat pertama; AS 18.4% di peringkat kedua; diikuti Korea Selatan 3.8%, Singapura 2.3%, Inggris 2.0%, Jerman 1.9%, India 1.7%, Jepang 1.5%.
Jika ada 'ciri khas zaman' dalam konferensi ini, itu tertulis di judul-judul makalah: Di semua judul, frekuensi kemunculan "LLM/LLMs" mencapai 23%, "Reasoning" 18%, "Multi" 11%.
Tahun ini juga ditetapkan serangkaian jalur baru — agen AI/LLM, keamanan dan penjajaran model besar, penalaran matematika dan simbolik, model kode, efisiensi model besar, aplikasi klinis dan biomedis — hampir semuanya berputar di sekitar model bahasa besar.
Dengan kata lain, ini adalah ACL yang benar-benar didominasi oleh model bahasa besar.
Tapi anehnya, penghargaan tertinggi justru diberikan kepada dua makalah yang 'kurang LLM'.
Makalah Terbaik 1: Satu Soal Tata Bahasa, Bikin 7 Model Besar Bingung
Makalah: The Imperfective Paradox in Large Language Models
Penulis: Bolei Ma, Yusuke Miyao
Institusi: Universitas Munich, Universitas Tokyo
Alamat Makalah:https://aclanthology.org/2026.acl-long.689/
Inti makalah ini adalah fenomena klasik dalam linguistik: Paradoks Imperfektif (Imperfective Paradox).
Dalam bahasa Mandarin, "Dia sedang berlari" (他在跑步) secara umum dapat disimpulkan "Dia telah berlari" (他跑了), karena tindakan 'aktivitas' (activity) tidak memiliki titik akhir intrinsik, setengah jalan pun sudah terjadi.
Tapi "Tukang kayu sedang membangun sebuah gazebo" (木匠在盖一座凉亭) tidak bisa disimpulkan "Gazebo sudah selesai dibangun" (凉亭盖好了), karena tindakan 'pencapaian' (accomplishment) memiliki titik akhir yang jelas, mungkin setengah jalan terbangun badai menghancurkan.
Bentuk sedang (progressive) pada yang pertama mengandung 'sudah terealisasi', pada yang kedua tidak mengandung, inilah paradoks imperfektif, sesuatu yang hampir tidak pernah salah ditangkap oleh orang yang sudah mendapat pelatihan bahasa dasar.
Lalu bagaimana dengan model bahasa besar?
Penulis membangun dataset diagnostik ImperfectiveNLI dengan 400 sampel dalam bahasa Inggris, menggunakan pasangan minimal 2×2 dari kata kerja pencapaian/aktivitas untuk mengisolasi kemampuan penalaran semantik, lalu menguji 7 model sumber terbuka dengan parameter 7 miliar hingga 90 miliar, hasilnya bisa dibilang 'gagal total'.
Menghadapi kalimat ambigu seperti "Tukang kayu sedang membangun gazebo", model hampir selalu memutuskan "Sudah selesai dibangun".
Penulis menamai kebiasaan 'melihat tujuan lalu default menganggap sukses' ini sebagai "bias teleologis" (teleological bias).
Dalam zero-shot, tingkat bias Llama-3.1 mencapai 0.98, Mistral 0.97, DeepSeek bahkan 1.00: Semua tindakan yang memiliki tujuan, seragam dianggap selesai.
Yang lebih aneh lagi, bahkan jika kalimat tertulis jelas-jelas menyatakan "Badai menghancurkan kerangka sebelum atap terpasang", banyak model tetap bersikukuh sudah selesai, akurasi Gemma-2 pada soal jenis ini hanya 3%, ia sama sekali tidak membaca konteks, hanya menebak berdasarkan kebiasaan 'semua konstruksi pasti sukses'.
Dari sini, penulis memberikan penilaian kunci makalah ini —
Model-model besar sumber terbuka ini, 'beroperasi lebih seperti mesin yang memprediksi alur narasi, daripada penalar logis yang setia' (predictive narrative engines rather than faithful logical reasoners).
Artinya, mereka tidak melakukan penalaran, hanya menebak akhir cerita yang paling mungkin berdasarkan cerita.
Temuan yang lebih dalam adalah, representasi dan penalaran terpisah.
Dari hubungan terbalik yang hampir sempurna (koefisien korelasi -0.97) dapat dilihat bahwa lapisan pengkodean sebenarnya 'tahu' was building dan built itu berbeda, tapi saat dekoding tetap terbawa oleh prior pengetahuan dunia.
Saat ini, rekayasa prompt (prompt engineering) hanya memperbaiki di satu sisi sambil merusak di sisi lain.
Prompt kontrafaktual bisa menyembuhkan bias, tapi membuat model curiga berlebihan dan menolak semua kalimat aktivitas sederhana, bergerak bolak-balik antara dua kutub 'optimis naif' dan 'paranoid curiga'.
Untungnya scaling tampaknya bisa membantu: Dari 1.5 miliar diperbesar ke 72 miliar parameter, tingkat bias turun signifikan, di sekitar 32 miliar terjadi 'perubahan fase', akurasi melonjak ke 0.91.
Ilmuwan Muda yang 'Menginterogasi' Model Besar dengan Linguistik
Penulis pertama makalah ini, Ma Bolei (马博磊), adalah seorang kandidat doktor yang sedang belajar di Universitas Munich.
Ia tergabung dalam Laboratorium Sains Data Sosial dan AI (SODA Lab, pembimbing Frauke Kreuter) di departemen statistik universitas tersebut, sekaligus anggota junior dari Pusat Pembelajaran Mesin Munich (MCML), dan juga kandidat doktor eksternal di Laboratorium MaiNLP (pembimbing Barbara Plank).
Penelitian Ma Bolei lama berfokus pada 'NLP yang berpusat pada manusia', sains sosial komputasional, serta semantik dan pragmatik komputasional — tepatnya warna dasar makalah ini: Menggunakan teori linguistik yang solid, untuk meninjau model besar yang sedang tren.
Makalah Terbaik 2: Memasang Otak Manusia yang Bisa Lupa ke Model Besar
Makalah: Memory efficiency and resource-rational encoding in sentence processing
Penulis: Weijie Xu, Brian Dillon, Richard Futrell
Institusi: University of California, Irvine, University of Massachusetts Amherst
Alamat Makalah:
Masalah yang ingin dipecahkan makalah ini adalah: Agar model bahasa benar-benar menjadi model 'pemrosesan bahasa manusia', ia harus seperti manusia, mengelola dengan cermat dalam memori kerja yang terbatas.
Memori kerja otak manusia adalah sumber daya langka, tapi justru digunakan tanpa usaha. Manusia secara naluriah akan mengalokasikan akurasi memori yang terbatas, memprioritaskannya untuk konten yang tidak terduga, informatif, sementara bagian yang dapat diprediksi dilewatkan begitu saja.
Cara penulis cukup cerdik: Menyuntikkan noise dengan laju yang dapat diatur ke dalam representasi tersembunyi Transformer, lalu melatih model dengan tujuan campuran — di bawah kendala keras 'total akurasi pengkodean terbatas', sebisa mungkin memprediksi kata berikutnya lebih akurat.
Dengan kata lain, memaksa model belajar 'hemat', menghabiskan memori berharga pada hal-hal yang krusial.
Hasilnya ada dua temuan kunci.
Pertama, setelah ditambah kendala memori kerja ini, kemampuan model menyesuaikan waktu membaca manusia menjadi jauh lebih baik. Artinya, 'ritme' membaca kalimatnya, lebih mendekati manusia sungguhan.
Kedua, dan yang lebih penting — untuk mengelola akurasi pengkodean, representasi konteks model dibentuk ulang, menjadi lebih 'terkompresi', lebih 'kategorikal' (categorical).
Ini mengarah pada kesimpulan yang menarik: Dalam model pemrosesan kalimat manusia, 'mekanisme pengambilan' memori kerja dan 'representasi memori' di lapisan bawah, dapat dipisahkan (dissociation).
Dengan kata lain, bukan memberi model memori yang lebih besar lalu lebih mirip manusia, melainkan memberinya kendala 'harus berhemat', barulah ia akan tumbuh sendiri dengan cara representasi yang lebih mendekati otak manusia.
Dari Jurusan Bahasa Spanyol, ke Psikolinguistik Komputasional
Penulis pertama Xu Weijie, saat ini adalah kandidat doktor di jurusan Ilmu Bahasa, University of California, Irvine, dibimbing oleh psikolinguis komputasional Richard Futrell, khusus di bidang psikolinguistik komputasional.
Jurusan sarjananya adalah Sastra dan Bahasa Spanyol di Universitas Studi Internasional Shanghai. Setelah itu, ia mendapatkan gelar master di bidang Sains Sosial Komputasional dari Universitas Chicago, dibimbing oleh Ming Xiang.
Musim gugur 2026, ia akan pergi ke University of Massachusetts Amherst untuk memulai penelitian pascadoktoral.
Di halaman utamanya ia menulis, sistem kognisi manusia dibatasi oleh banyak kendala, tapi bisa beroperasi hampir tanpa usaha; dan penelitiannya, justru ingin menjadikan bahasa manusia sebagai jendela, untuk mengintip esensi 'terbatas' dari pikiran manusia ini.
Makalah Terbaik 3: Mengapa Perhatian yang 'Hanya Melihat Secara Lokal' Justru Lebih Kuat
Makalah: Characterizing the Expressivity of Local Attention in Transformers
Penulis: Jiaoda Li, Ryan Cotterell
Institusi: ETH Zürich
Alamat Makalah:https://aclanthology.org/2026.acl-long.1739/
Keahlian utama Transformer adalah 'perhatian global' (global attention), setiap kali menghasilkan sebuah kata, akan melihat kembali semua kata sebelumnya. Sedangkan varian umum 'perhatian lokal' (local attention) hanya membuat setiap kata melihat kembali tetangga dalam jendela tetap, menekan biaya komputasi kuadratik menjadi linier.
Perhatian lokal awalnya untuk menghemat daya hitung, tapi banyak yang menemukan, ia juga sering membuat kinerja model lebih baik. Fenomena ini belum pernah mendapat penjelasan yang memadai.
Makalah ini menggunakan teori bahasa formal untuk memberikan jawabannya.
Sebelumnya sudah ada kesimpulan, Transformer dengan akurasi tetap, hanya membawa perhatian global, sesuai dengan fragmen logika temporal linier yang hanya mengandung satu 'operator masa lalu'.
Penulis lebih lanjut membuktikan, menambahkan perhatian lokal akan memasukkan operator temporal kedua, memperluas secara ketat kelas bahasa reguler yang dapat dikenali model.
Yang lebih menarik, perhatian global dan lokal 'saling melengkapi' dalam daya ekspresi, tidak ada yang bisa menggantikan yang lain, keduanya digabungkan baru bisa mendapatkan tingkat yang paling kaya.
Eksperimen pengenalan bahasa formal dan pemodelan bahasa alamiah mengonfirmasi hal ini, Transformer campuran global+lokal, dengan stabil mengalahkan versi murni global.
Penulis pertama Jiaoda Li adalah peneliti doktoral di Pusat AI ETH Zürich, dibimbing oleh linguis komputasional Ryan Cotterell dan Stefan Feuerriegel, penelitiannya berfokus pada NLP yang dapat dijelaskan.
Jurusan sarjananya adalah Teknik Elektronik dan Komunikasi di City University of Hong Kong; setelah itu mendapatkan gelar master Sains Data di ETH, lalu melanjutkan hingga doktor.
Makalah Unggulan: Peneliti Tionghoa Hampir Memborong Semua
Selain makalah terbaik, ACL 2026 juga memilih 18 makalah unggulan (Outstanding Paper).
Melihat daftarnya akan ditemukan fakta yang lebih mencolok: Kekuatan peneliti Tionghoa hampir mendominasi, terutama di dua arah paling panas, pembelajaran penguatan dan keamanan model besar, beberapa bahkan ditulis oleh tim sepenuhnya peneliti Tionghoa.
Penalaran dan Pembelajaran Penguatan
1. Evolutionary Guided Decoding: Iterative Value Refinement for LLMs
Penulis: Zhenhua Liu, Lijun Li, Ruizhe Chen, Yuxian Jiang, Tong Zhu, Zhaochen Su, Wenliang Chen, Jing Shao
Institusi: Shanghai AI Laboratory, Universitas Suzhou, Universitas Zhejiang, Universitas Fudan
2. Rethinking Entropy Interventions in RLVR: An Entropy Change Perspective
Penulis: Zhezheng Hao, Hong Wang, Haoyang Liu, Jian Luo, Jiarui Yu, Hande Dong, Qiang Lin, Can Wang, Jiawei Chen
Institusi: Universitas Zhejiang, Tencent
3. GeoRA: Geometry-Aware Low-Rank Adaptation for RLVR
Penulis: Jiaying Zhang, Lei Shi, Jiguo Li, Jun Xu, Jiuchong Gao, Jinghua Hao, Renqing He
Institusi: Meituan, Universitas Peking
4. CURE: Critique-Driven Unified Reinforcement Learning for Test-Time Self-Improvement
Penulis: Guirong Chen, Shuqi Ye, Wenkai Yang, Shiqi Shen, Guangyao Shen, Yankai Lin
Agen dan Evaluasi
5. CAR-bench: Evaluating the Consistency and Limit-Awareness of LLM Agents under Real-World Uncertainty
Penulis: Johannes Kirmayr, Lukas Stappen, Elisabeth André
Institusi: BMW Group Research, Universitas Augsburg
6. MediEval: A Unified Medical Benchmark for Patient-Contextual and Knowledge-Grounded Reasoning in LLMs
Penulis: Zhan Qu, Michael Färber
Institusi: Universitas Teknologi Dresden, ScaDS.AI (Jerman)
7. Mind the (DH) Gap! A Contrast in Risky Choices Between Reasoning and Conversational LLMs
Penulis: Luise Ge, Yongyan Zhang, Yevgeniy Vorobeychik
Institusi: Universitas Washington di St. Louis
8. CIG: Measuring Conversational Information Gain in Deliberative Dialogues with Semantic Memory Dynamics
Penulis: Ming-Bin Chen, Jey Han Lau, Lea Frermann
Institusi: Universitas Melbourne
Keamanan, Kepercayaan, dan Deteksi
9. Lying with Truths: Open-Channel Multi-Agent Collusion for Belief Manipulation via Generative Montage
Penulis: Jinwei Hu, Xinmiao Huang, Youcheng Sun, Yi Dong, Xiaowei Huang
Institusi: Universitas Liverpool, Universitas AI Mohamed bin Zayed (MBZUAI)
10. Beyond the Final Actor: Modeling the Dual Roles of Creator and Editor for Fine-Grained LLM-Generated Text Detection
Penulis: Yang Li, Qiang Sheng, Zhengjia Wang, Yehan Yang, Danding Wang, Juan Cao
Institusi: Institut Teknologi Komputasi, Akademi Ilmu Pengetahuan Tiongkok; Universitas Akademi Ilmu Pengetahuan Tiongkok
11. Maximizing Local Entropy Where It Matters: Prefix-Aware Localized LLM Unlearning
Penulis: Naixin Zhai, Pengyang Shao, Binbin Zheng, Yonghui Yang, Fei Shen, Long Bai, Xun Yang
Institusi: Universitas Sains dan Teknologi Tiongkok, Universitas Nasional Singapura
Efisiensi
12. From Local to Global: Revisiting Structured Pruning Paradigms for Large Language Models
Penulis: Ziyan Wang, Enmao Diao, Qi Le, Pu Wang, Minwoo Lee, Shu-ping Yeh, Evgeny V Stupachenko, Hao Feng, Li Yang
Institusi: University of North Carolina at Charlotte, Universitas Minnesota, Intel, DreamSoul
Suara dan Multimodal
13. MauBERT: Universal Phonetic Inductive Biases for Few-Shot Acoustic Units Discovery
Penulis: Angelo Ortiz Tandazo, Manel Khentout, Youssef Benchekroun, Thomas Hueber, Emmanuel Dupoux
Institusi: École Normale Supérieure (ENS/PSL), CNRS, Universitas Grenoble Alpes (GIPSA-lab), Meta AI (Prancis)
14. Hierarchical Acoustic-Semantic Modeling: Modality Separation and Semantic Coherence for Full-Duplex SLMs
Penulis: 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
Institusi: Universitas Teknologi Harbin (Shenzhen), Universitas Tiongkok Hong Kong (Shenzhen), Shenzhen Loop Area Research Institute
15. ViLL-E: Video LLM Embeddings for Retrieval
Penulis: Rohit Gupta, Jayakrishnan Unnikrishnan, Fan Fei, Sheng Liu, Son Tran, Mubarak Shah
Institusi: Amazon, University of Central Florida
Linguistik dan Multibahasa
16. Systematicity between Forms and Meanings across Languages Supports Efficient Communication
Penulis: Doreen Osmelak, Yang Xu, Michael Hahn, Kate McCurdy
Institusi: Universitas Saarland, Universitas Toronto
17. Massively Multilingual Joint Segmentation and Glossing
Penulis: Michael Ginn, Lindia Tjuatja, Enora Rice, Ali Marashian, Maria Valentini, Jasmine Xu, Graham Neubig, Alexis Palmer
Institusi: Universitas Colorado Boulder, Universitas Carnegie Mellon
18. CxMP: A Linguistic Minimal-Pair Benchmark for Evaluating Constructional Understanding in Language Models
Penulis: Miyu Oba, Saku Sugawara
Institusi: Universitas Pascasarjana Sains dan Teknologi Nara, Institut Informatika Nasional Jepang, Universitas Tokyo
Referensi:
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
Artikel ini berasal dari akun WeChat "新智元", penulis: ASI启示录; editor: 摩西
