【Введение】Резкий рост на 45% до 12148 заявок, ACL 2026 заполнен работами об LLM! Все первые авторы трёх лучших статей - китайцы, в выдающихся статьях китайцы практически монополизировали награды.
Лучшие статьи ACL 2026 определены!
Как ведущая ежегодная конференция по вычислительной лингвистике, ACL в этом году присудила три премии за лучшую статью (Best Paper Award), и первые авторы всех трёх - китайцы.
«The Imperfective Paradox in Large Language Models», авторы - Болей Ма из Мюнхенского университета и Юсуке Мияо из Токийского университета.
Она с помощью грамматической задачи, которую может решить даже школьник, основательно «провалила» семь открытых больших моделей.
«Memory efficiency and resource-rational encoding in sentence processing», авторы - Вэйцзе Сюй из Калифорнийского университета в Ирвайне, Брайан Диллон из Массачусетского университета в Амхерсте и Ричард Футрелл из Калифорнийского университета в Ирвайне.
Она пошла против течения, «встроив» в большую модель человеческий мозг, который «умеет забывать», и обнаружила, что модель стала больше похожа на человека.
«Characterizing the Expressivity of Local Attention in Transformers», авторы - Цзяода Ли и Райан Коттерелл из Швейцарской высшей технической школы Цюриха (ETH Zürich).
С помощью теории формальных языков она прояснила вопрос, который использовался много лет, но так и оставался необъяснённым: почему внимание, «смотрящее только локально», оказывается сильнее.
Самый конкурентный ACL в истории
ACL 2026 прошла в июле этого года в Сан-Диего, США, установив новый рекорд по масштабу.
На основную конференцию было подано 12148 статей, что на 45% больше, чем в 2025 году.
В итоге основная конференция приняла 2297 статей (уровень принятия 18.9%), Findings приняли 2164 статьи (17.8%), в общей сложности было принято более 4462 статей.
В среднем на одну статью приходилось 6.25 автора, а в одной статье было указано целых 102 имени; для сравнения, статей, написанных единолично, осталось всего 39, что составляет менее 1%.
Среди них 83 автора имели по 10 и более принятых статей каждый (на 66% больше, чем в прошлом году); один человек только в январской волне подачи отправил сразу 65 статей, из которых приняли 36.
67% всех авторов (13563 человека) были связаны между собой отношениями соавторства.
Поддержку этому процессу рецензирования оказали 8594 рецензента (+46%), 1434 председателя секций (+28%) и 255 старших председателей секций (+51%).
Количество «столичных отказов» (desk reject) более чем удвоилось, достигнув 925 (+106%), по самым разным причинам: несоответствие шаблону, отсутствие раздела «Ограничения», нарушение анонимности и даже ссылки на несуществующую литературу.
Около 26 тысяч авторов-участников, что немного больше, чем 20 тысяч в прошлом году.
По странам/регионам авторы из материкового Китая составили 54.0%, уверенно заняв первое место; США - 18.4%, второе место; затем Южная Корея - 3.8%, Сингапур - 2.3%, Великобритания - 2.0%, Германия - 1.9%, Индия - 1.7%, Япония - 1.5%.
Если у этой конференции и есть какая-то «печать времени», то она написана в заголовках статей: во всех заголовках частота появления «LLM/LLMs» достигла 23%, «Reasoning» - 18%, «Multi» - 11%.
В этом году также были созданы новые треки — AI/LLM агенты, безопасность и согласование больших моделей, математические и символические рассуждения, модели для кода, эффективность больших моделей, клинические и биомедицинские приложения — практически каждый из них вращается вокруг больших моделей.
Другими словами, это была конференция ACL, полностью доминируемая большими языковыми моделями.
Но именно высшие награды достались двум статьям, которые «не очень-то про LLM».
Лучшая статья первая: одна грамматическая задача поставила в тупик 7 больших моделей
Статья: The Imperfective Paradox in Large Language Models
Авторы: Болей Ма, Юсуке Мияо
Организации: Мюнхенский университет, Токийский университет
Адрес статьи:https://aclanthology.org/2026.acl-long.689/
Основная идея этой статьи — классическое явление в лингвистике: парадокс несовершенного вида (Imperfective Paradox).
В русском языке предложение «Он бегает» в целом подразумевает «Он пробежал», потому что у действий типа «активности» (activity) нет внутренней конечной точки, считается, что действие произошло, даже если оно выполняется наполовину.
Но «Плотник строит беседку» не подразумевает «Беседка построена», потому что у действий типа «достижения» (accomplishment) есть чёткая конечная точка, и она может быть разрушена бурей на полпути.
Настоящее время для первого типа подразумевает «уже реализовано», для второго — нет, это и есть парадокс несовершенного вида, с которым человек, получивший базовую лингвистическую подготовку, почти никогда не ошибается.
А как же большие модели?
Авторы создали диагностический набор данных ImperfectiveNLI из 400 английских образцов, использовали 2×2 минимальные пары глаголов достижения/активности для изоляции способности к семантическому выводу и протестировали 7 открытых моделей с параметрами от 7 до 90 миллиардов. Результаты можно назвать «полным провалом».
Столкнувшись с двусмысленными предложениями типа «Плотник строит беседку», модель почти всегда определяла, что «беседка построена».
Авторы назвали этот недостаток «видеть цель и по умолчанию считать её достигнутой» — «телеологической предвзятостью» (teleological bias).
При нулевом контексте (zero-shot) уровень предвзятости Llama-3.1 достигал 0.98, Mistral - 0.97, DeepSeek - целых 1.00: любое действие с целью по умолчанию считалось завершённым.
Что ещё более абсурдно, даже если в предложении чёрным по белому написано «буря разрушила каркас до того, как крыша была установлена», многие модели всё равно упорно утверждали, что всё сделано. Точность Gemma-2 в таких задачах составляла всего 3%, она вообще не читала контекст, а просто продолжала угадывать по инерции «любая стройка будет успешной».
Таким образом, авторы сделали ключевой вывод этой статьи —
Эти открытые большие модели «работают скорее как механизмы, предсказывающие развитие сюжета, а не как верные логические рассуждающие системы» (predictive narrative engines rather than faithful logical reasoners).
То есть они не рассуждают, а просто угадывают наиболее вероятную развязку истории.
Более глубокое открытие заключается в том, что репрезентация и рассуждение разделены.
Из почти идеальной обратной зависимости (коэффициент корреляции -0.97) видно, что уровень кодирования на самом деле «знает», что «строил» (was building) и «построил» (built) — это не одно и то же, но при декодировании его всё равно уносит априорными знаниями о мире.
На этом этапе инженерия промптов (подсказок) — это лишь латание дыр.
Контрфактические промпты могут излечить предвзятость, но заставляют модель с подозрением относиться к простым предложениям типа активности и полностью их отрицать, метаясь между полюсами «наивного оптимизма» и «параноидального сомнения».
Хорошо, что Scaling, кажется, может помочь: при увеличении параметров с 1.5 до 72 миллиардов уровень предвзятости значительно снижается, а около 32 миллиардов происходит «фазовый переход», точность резко возрастает до 0.91.
Молодой исследователь, «допрашивающий» большие модели с помощью лингвистики
Первым автором этой статьи является Болей Ма, аспирант Мюнхенского университета.
Он является членом Лаборатории социальных данных и искусственного интеллекта (SODA Lab, руководитель Фрауке Кройтер) на факультете статистики университета, а также младшим членом Мюнхенского центра машинного обучения (MCML) и внешним аспирантом лаборатории MaiNLP (руководитель Барбара Планк).
Исследования Ма Болэя давно сосредоточены на «NLP, ориентированном на человека», вычислительных социальных науках, а также вычислительной семантике и прагматике — как раз в духе этой статьи: использование прочной лингвистической теории для оценки модных больших моделей.
Лучшая статья вторая: встраиваем в большую модель человеческий мозг, который умеет забывать.
Статья: Memory efficiency and resource-rational encoding in sentence processing
Авторы: Вэйцзе Сюй, Брайан Диллон, Ричард Футрелл
Организации: Калифорнийский университет в Ирвайне, Массачусетский университет в Амхерсте
Адрес статьи:
Задача этой статьи: чтобы языковые модели действительно стали моделями «обработки человеческого языка», они должны быть похожи на людей, экономно используя ограниченную рабочую память.
Рабочая память человеческого мозга — это дефицитный ресурс, но она используется почти без усилий. Люди инстинктивно выделяют ограниченную точность памяти в первую очередь неожиданному, информативному содержанию, в то время как предсказуемая часть остаётся на периферии.
Подход авторов остроумен: внедрение шума с регулируемой скоростью в скрытые репрезентации трансформера и обучение модели со смешанной целью — при жёстком ограничении «общей точности кодирования» предсказывать следующее слово как можно точнее.
Другими словами, заставить модель научиться быть «экономной», тратить драгоценную память на самое важное.
Результаты показали два ключевых открытия.
Во-первых, после добавления такого ограничения рабочей памяти соответствие модели времени чтения человеком значительно улучшилось. То есть «ритм» её чтения предложений стал ближе к человеческому.
Во-вторых, и это более важно — для управления точностью кодирования контекстные репрезентации модели были перестроены, став более «сжатыми» и более «категориальными» (categorical).
Это указывает на интригующий вывод: в моделях обработки предложений человеком механизмы «извлечения» рабочей памяти и базовые «репрезентации памяти» могут быть разделены (dissociation).
Другими словами, не увеличение памяти делает модель более похожей на человека, а ограничение «обязательной экономии», которое заставляет её самостоятельно вырабатывать репрезентации, более близкие к человеческому мозгу.
От специальности «Испанский язык» до вычислительной психолингвистики
Первым автором является Вэйцзе Сюй, в настоящее время аспирант факультета языковых наук Калифорнийского университета в Ирвайне, обучается у вычислительного психолингвиста Ричарда Футрелла, специализируется на вычислительной психолингвистике.
Его первое высшее образование — испанский язык и литература в Шанхайском университете иностранных языков. Затем он получил степень магистра вычислительных социальных наук в Чикагском университете под руководством Мин Сяна.
Осенью 2026 года он отправится в Массачусетский университет в Амхерсте для постдокторских исследований.
На своей странице он пишет, что человеческая когнитивная система ограничена множеством ограничений, но работает почти без усилий; и его исследования — как раз попытка использовать человеческий язык как окно, чтобы заглянуть в суть этой «ограниченности» человеческого разума.
Лучшая статья третья: почему внимание, «смотрящее только локально», оказывается сильнее
Статья: Characterizing the Expressivity of Local Attention in Transformers
Авторы: Цзяода Ли, Райан Коттерелл
Организации: Швейцарская высшая техническая школа Цюриха (ETH Zürich)
Адрес статьи:https://aclanthology.org/2026.acl-long.1739/
Коронный приём трансформера — «глобальное внимание»: при генерации каждого слова он оглядывается на все предыдущие. А распространённый вариант — «локальное внимание» — заставляет каждое слово оглядываться только на соседей в фиксированном окне, снижая вычислительную сложность с квадратичной до линейной.
Локальное внимание изначально предназначалось для экономии вычислений, но обнаружилось, что оно часто также улучшает качество модели. Это явление долго не имело достойного объяснения.
Эта статья даёт ответ с помощью теории формальных языков.
Ранее был сделан вывод, что трансформер с фиксированной точностью и только глобальным вниманием соответствует фрагменту линейной темпоральной логики, содержащему только один оператор «прошлого».
Авторы далее доказывают, что добавление локального внимания вводит второй временной оператор, строго расширяя класс регулярных языков, которые может распознать модель.
Что ещё более интересно, глобальное и локальное внимание «дополняют» друг друга по выразительной силе, одно не может заменить другое, и только их сочетание даёт самый богатый уровень.
Эксперименты по распознаванию формальных языков и моделированию естественного языка подтвердили это: гибридный трансформер (глобальный + локальный) уверенно превзошёл версию только с глобальным вниманием.
Первым автором является Цзяода Ли, научный сотрудник Центра искусственного интеллекта Швейцарской высшей технической школы Цюриха (ETH), обучается у вычислительных лингвистов Райана Коттерелла и Стефана Фойерригеля, исследования сосредоточены на интерпретируемом NLP.
Его первое высшее образование — электроника и коммуникации в Городском университете Гонконга; затем он получил степень магистра по науке о данных в ETH и продолжил обучение в аспирантуре.
Выдающиеся статьи: китайские исследователи практически монополизировали
Помимо лучших статей, ACL 2026 также отметила 18 выдающихся статей (Outstanding Paper).
Просмотр списка выявляет ещё более очевидный факт: китайское научное сообщество занимает почти половину, особенно в двух самых горячих направлениях — обучении с подкреплением и безопасности больших моделей — несколько статей написаны исключительно китайскими авторами.
Рассуждения и обучение с подкреплением
1. Evolutionary Guided Decoding: Iterative Value Refinement for LLMs
Авторы: Чжэньхуа Лю, Лицзюнь Ли, Жуйчжэ Чэнь, Юсянь Цзян, Тун Чжу, Чжаочэнь Су, Вэньлян Чэнь, Цзин Шао
Организации: Шанхайская лаборатория искусственного интеллекта, Сучжоуский университет, Чжэцзянский университет, Фуданьский университет
2. Rethinking Entropy Interventions in RLVR: An Entropy Change Perspective
Авторы: Чжэчжэн Хао, Хун Ван, Хаоян Лю, Цзянь Ло, Цзяжуй Юй, Ханьдэ Дун, Цян Линь, Цань Ван, Цзявэй Чэнь
Организации: Чжэцзянский университет, Tencent
3. GeoRA: Geometry-Aware Low-Rank Adaptation for RLVR
Авторы: Цзяин Чжан, Лэй Ши, Цзиго Ли, Цзюнь Сюй, Цзючун Гао, Цзинхуа Хао, Жэньцин Хэ
Организации: Meituan, Пекинский университет
4. CURE: Critique-Driven Unified Reinforcement Learning for Test-Time Self-Improvement
Авторы: Гуйжун Чэнь, Шуци Е, Вэнькай Ян, Шици Шэнь, Гуанъяо Шэнь, Янькай Линь
Агенты и оценка
5. CAR-bench: Evaluating the Consistency and Limit-Awareness of LLM Agents under Real-World Uncertainty
Авторы: Йоханнес Кирмайр, Лукас Штаппен, Элизабет Андре
Организации: Исследовательский институт BMW, Аугсбургский университет
6. MediEval: A Unified Medical Benchmark for Patient-Contextual and Knowledge-Grounded Reasoning in LLMs
Авторы: Чжань Цюй, Михаэль Фербер
Организации: Дрезденский технический университет, ScaDS.AI (Германия)
7. Mind the (DH) Gap! A Contrast in Risky Choices Between Reasoning and Conversational LLMs
Авторы: Луиза Ге, Юнъянь Чжан, Евгений Воробейчик
Организации: Университет Вашингтона в Сент-Луисе
8. CIG: Measuring Conversational Information Gain in Deliberative Dialogues with Semantic Memory Dynamics
Авторы: Мин-Бинь Чэнь, Джей Хан Лау, Леа Фрерманн
Организации: Мельбурнский университет
Безопасность, надёжность и обнаружение
9. Lying with Truths: Open-Channel Multi-Agent Collusion for Belief Manipulation via Generative Montage
Авторы: Цзиньвэй Ху, Синьмяо Хуан, Ючэн Сунь, И Дун, Сяовэй Хуан
Организации: Ливерпульский университет, Университет искусственного интеллекта имени Мохаммеда бин Заида (MBZUAI)
10. Beyond the Final Actor: Modeling the Dual Roles of Creator and Editor for Fine-Grained LLM-Generated Text Detection
Авторы: Ян Ли, Цян Шэн, Чжэнцзя Ван, Ехань Ян, Даньдин Ван, Цзюань Цао
Организации: Институт вычислительных технологий Китайской академии наук, Университет Китайской академии наук
11. Maximizing Local Entropy Where It Matters: Prefix-Aware Localized LLM Unlearning
Авторы: Найсинь Чжай, Пэнъян Шао, Биньбинь Чжэн, Юнхуэй Ян, Фэй Шэнь, Лун Бай, Сюнь Ян
Организации: Научно-технический университет Китая, Национальный университет Сингапура
Эффективность
12. From Local to Global: Revisiting Structured Pruning Paradigms for Large Language Models
Авторы: Цзыянь Ван, Эньмао Диао, Ци Ле, Пу Ван, Минъу Ли, Шу-пин Е, Евгений В. Ступаченко, Хао Фэн, Ли Ян
Организации: Университет Северной Каролины в Шарлотте, Университет Миннесоты, Intel, DreamSoul
Речь и многомодальность
13. MauBERT: Universal Phonetic Inductive Biases for Few-Shot Acoustic Units Discovery
Авторы: Анджело Ортис Тандасо, Манэль Кентут, Юссеф Бенчекраун, Томас Хюбер, Эмманюэль Дюпу
Организации: Высшая нормальная школа Парижа (ENS/PSL), CNRS, Гренобльский альпийский университет (GIPSA-lab), Meta AI (Франция)
14. Hierarchical Acoustic-Semantic Modeling: Modality Separation and Semantic Coherence for Full-Duplex SLMs
Авторы: Чжэньюй Лю, Сюаньюй Чжан, Юньсинь Ли, Цишунь Тэн, Шэньюань Цзян, Хаолань Чэнь, Миньцзюнь Чжао, Фаньбо Мэн, Юй Сюй, Яньчэн Хэ, Баотянь Ху, Хайчжоу Ли, Минь Чжан
Организации: Харбинский технологический институт (Шэньчжэнь), Китайский университет Гонконга (Шэньчжэнь), Институт Loop Area (Шэньчжэнь)
15. ViLL-E: Video LLM Embeddings for Retrieval
Авторы: Рохит Гупта, Джайякришнан Унникришнан, Фань Фэй, Шэн Лю, Сон Чан, Мубарак Шах
Организации: Amazon, Университет Центральной Флориды
Лингвистика и многоязычие
16. Systematicity between Forms and Meanings across Languages Supports Efficient Communication
Авторы: Дорин Осмелак, Ян Сюй, Майкл Хан, Кейт Маккёрди
Организации: Саарландский университет, Торонтский университет
17. Massively Multilingual Joint Segmentation and Glossing
Авторы: Майкл Гинн, Линдия Тюатджа, Энора Райс, Али Марашиан, Мария Валентини, Жасмин Сюй, Грэм Нойбиг, Алексис Палмер
Организации: Университет Колорадо в Боулдере, Университет Карнеги-Меллона
18. CxMP: A Linguistic Minimal-Pair Benchmark for Evaluating Constructional Understanding in Language Models
Авторы: Мию Оба, Саку Сугавара
Организации: Научно-технологический университет Нара, Национальный институт информатики (Япония), Токийский университет
Источники:
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
Эта статья взята с официального аккаунта WeChat «Синьчжиюань» (新智元), автор: ASI启示录; редактор: Моисей
