【Dẫn nhập】Số lượng báo cáo đăng ký tăng 45% lên 12148 bài! ACL 2026 tràn ngập các bài báo về LLM! Ba bài báo xuất sắc nhất, tác giả chính đều là người Hoa, các bài báo nổi bật cũng gần như do người Hoa 'bao sân'.
ACL 2026 các bài báo xuất sắc nhất đã chính thức được công bố!
Là hội nghị đỉnh cao hàng năm về ngôn ngữ học tính toán, năm nay ACL đã bình chọn ra ba bài báo xuất sắc nhất (Best Paper Award), tất cả tác giả chính đều là người Hoa.
《The Imperfective Paradox in Large Language Models》, tác giả là Bolei Ma từ Đại học Munich và Yusuke Miyao từ Đại học Tokyo.
Bài báo sử dụng một bài tập ngữ pháp mà ngay cả học sinh tiểu học cũng có thể trả lời đúng để kiểm tra 7 mô hình ngôn ngữ lớn mã nguồn mở.
《Memory efficiency and resource-rational encoding in sentence processing》, tác giả là Weijie Xu (Từ Vĩ Kiệt) từ Đại học California, Irvine, Brian Dillon từ Đại học Massachusetts Amherst, và Richard Futrell từ Đại học California, Irvine.
Bài báo đi ngược lại thông thường, lắp đặt một 'bộ não người biết quên' cho mô hình ngôn ngữ lớn, kết quả phát hiện mô hình trở nên giống con người hơn.
《Characterizing the Expressivity of Local Attention in Transformers》, tác giả là Jiaoda Li và Ryan Cotterell từ Viện Công nghệ Liên bang Thụy Sĩ Zurich (ETH Zurich).
Bài báo sử dụng lý thuyết ngôn ngữ hình thức để giải thích rõ một vấn đề đã được sử dụng nhiều năm nhưng chưa ai làm sáng tỏ: tại sao cơ chế chú ý 'chỉ nhìn cục bộ' lại mạnh hơn.
Kỳ ACL khó khăn nhất trong lịch sử
ACL 2026 được tổ chức vào tháng 7 năm nay tại San Diego, Hoa Kỳ, quy mô đã phá vỡ kỷ lục lịch sử.
Hội nghị chính đã nhận được 12148 bài báo đăng ký, tăng 45% so với năm 2025.
Cuối cùng, hội nghị chính chấp nhận 2297 bài (tỷ lệ chấp nhận 18.9%), Findings chấp nhận 2164 bài (17.8%), tổng cộng hơn 4462 bài báo được chấp nhận.
Trung bình mỗi bài báo có 6.25 tác giả, bài nhiều nhất có tới 102 tên; ngược lại, chỉ có 39 bài báo do một người viết, chiếm chưa đến 1%.
Trong đó, có 83 tác giả mỗi người có hơn 10 bài được chấp nhận (nhiều hơn 66% so với năm ngoái); thậm chí có người chỉ trong đợt đăng ký tháng Giêng đã nộp 65 bài, được chấp nhận 36 bài.
Trong số tất cả tác giả, có 67% (13563 người) được kết nối với nhau thông qua mối quan hệ đồng tác giả.
Công việc phản biện được hỗ trợ bởi 8594 phản biện (+46%), 1434 chủ tịch lĩnh vực (+28%), 255 chủ tịch lĩnh vực cao cấp (+51%).
Số lượng bài báo bị từ chối tại bàn (desk reject) tăng hơn gấp đôi, đạt 925 bài (+106%), lý do đa dạng: mẫu không tuân thủ, thiếu chương trình Limitations, vi phạm ẩn danh, thậm chí trích dẫn tài liệu không tồn tại.
Số lượng tác giả tham dự khoảng 2.6 vạn người, tăng thêm một chút so với 2 vạn người năm ngoái.
Xét theo quốc gia/khu vực, tác giả từ Trung Quốc đại lục chiếm tỷ lệ cao nhất, đạt 54.0%, giữ vị trí số một; Mỹ 18.4% đứng thứ hai; tiếp theo là Hàn Quốc 3.8%, Singapore 2.3%, Anh 2.0%, Đức 1.9%, Ấn Độ 1.7%, Nhật Bản 1.5%.
Nếu nói kỳ hội nghị này có 'dấu ấn thời đại', thì nhất định nằm ở tiêu đề bài báo: trong tất cả tiêu đề, tần suất xuất hiện của 'LLM/LLMs' lên tới 23%, 'Reasoning' 18%, 'Multi' 11%.
Năm nay còn thiết lập thêm một loạt lĩnh vực mới – tác nhân AI/LLM, an ninh và căn chỉnh mô hình lớn, lý luận toán học và ký hiệu, mô hình mã, hiệu quả mô hình lớn, ứng dụng lâm sàng và y sinh học, hầu hết đều xoay quanh mô hình lớn.
Nói cách khác, đây là một kỳ ACL hoàn toàn bị thống trị bởi mô hình ngôn ngữ lớn.
Nhưng đặc biệt, danh hiệu cao nhất lại được trao cho hai bài báo 'không quá liên quan đến LLM'.
Bài báo xuất sắc nhất 1: Một bài tập ngữ pháp làm khó 7 mô hình lớn
Bài báo: The Imperfective Paradox in Large Language Models
Tác giả: Bolei Ma、Yusuke Miyao (Cung Vĩ Hựu Giới)
Tổ chức: Đại học Munich、Đại học Tokyo
Địa chỉ bài báo:https://aclanthology.org/2026.acl-long.689/
Cốt lõi của bài báo này là một hiện tượng kinh điển trong ngôn ngữ học: Nghịch lý thể chưa hoàn thành (Imperfective Paradox).
Tiếng Trung nói 'anh ấy đang chạy', về cơ bản có thể suy ra 'anh ấy đã chạy', bởi vì hành động thuộc loại 'hoạt động' (activity) không có điểm kết thúc nội tại, thực hiện đến một nửa cũng tính là đã xảy ra.
Nhưng 'người thợ mộc đang xây một gian nhà nghỉ' lại không thể suy ra 'gian nhà nghỉ đã xây xong', bởi vì hành động thuộc loại 'hoàn thành' (accomplishment) có điểm kết thúc rõ ràng, có thể xây đến một nửa thì bị cơn bão thổi sập.
Thời hiện tại tiếp diễn đối với loại trước hàm ý 'đã thực hiện', đối với loại sau không hàm ý, đây chính là nghịch lý thể chưa hoàn thành, một người được đào tạo ngôn ngữ cơ bản hầu như không nhầm lẫn.
Vậy mô hình lớn thì sao?
Tác giả xây dựng bộ dữ liệu chẩn đoán ImperfectiveNLI gồm 400 mẫu tiếng Anh, sử dụng cặp tối thiểu 2×2 của động từ loại hoàn thành/hoạt động để cô lập khả năng suy luận ngữ nghĩa, sau đó đưa 7 mô hình mã nguồn mở từ 7 tỷ đến 90 tỷ tham số vào kiểm tra, kết quả có thể nói là 'toàn quân bị đánh bại'.
Đối với câu mơ hồ kiểu 'người thợ mộc đang xây gian nhà nghỉ', mô hình gần như nhất loạt phán định 'đã xây xong'.
Tác giả gọi căn bệnh 'thấy mục tiêu là mặc định thành công' này là 'định kiến mục đích luận' (teleological bias).
Ở mức không có mẫu (zero-shot), tỷ lệ định kiến của Llama-3.1 lên tới 0.98, Mistral 0.97, DeepSeek thậm chí là 1.00: hễ là hành động có mục tiêu, nhất loạt xác định đã hoàn thành.
Thậm chí đáng kinh ngạc hơn, ngay cả khi câu viết rõ ràng 'một cơn bão đã phá hủy khung trước khi lợp mái xong', nhiều mô hình vẫn khăng khăng cho rằng đã làm xong, độ chính xác của Gemma-2 ở loại câu hỏi này chỉ có 3%, nó hoàn toàn không đọc ngữ cảnh, chỉ đơn thuần dựa theo quán tính 'mọi công trình đều thành công' để đoán tiếp.
Từ đó, tác giả đưa ra phán đoán then chốt của bài báo này –
Các mô hình lớn mã nguồn mở này, 'hoạt động giống như động cơ dự đoán diễn biến câu chuyện hơn là những người suy luận logic trung thực' (predictive narrative engines rather than faithful logical reasoners).
Nói cách khác, chúng không phải đang suy luận, mà chỉ đang dự đoán một kết cục có khả năng cao nhất dọc theo câu chuyện.
Phát hiện sâu hơn là, biểu diễn và suy luận là tách biệt.
Từ một mối quan hệ ngược gần như hoàn hảo (hệ số tương quan -0.97) có thể thấy, tầng mã hóa thực sự 'biết' was building và built không phải một chuyện, nhưng khi giải mã vẫn bị dắt đi bởi tiên nghiệm kiến thức thế giới.
Lúc này, kỹ thuật nhắc chỉ (prompt engineering) chỉ là vá đông vá tây.
Nhắc ngữ cảnh phản thực tế (counterfactual prompt) có thể chữa khỏi định kiến, nhưng lại khiến mô hình nghi ngờ mọi câu đơn giản thuộc loại hoạt động, phủ định hoàn toàn, dao động qua lại giữa hai cực 'lạc quan ngây thơ' và 'nghi ngờ định kiến'.
May mắn là việc mở rộng quy mô (scaling) dường như có giải pháp: từ 1.5 tỷ tham số mở rộng lên 720 tỷ, tỷ lệ định kiến giảm rõ rệt, đến khoảng 320 tỷ xuất hiện 'chuyển pha', độ chính xác tăng vọt lên 0.91.
Người trẻ dùng ngôn ngữ học 'tra hỏi' mô hình lớn
Tác giả chính của bài báo này, Mã Bác Lỗi, là một nghiên cứu sinh tiến sĩ đang học tại Đại học Munich.
Anh thuộc Phòng thí nghiệm Khoa học Dữ liệu Xã hội và AI (SODA Lab, người hướng dẫn Frauke Kreuter) thuộc khoa Thống kê của trường, đồng thời là thành viên cấp sơ của Trung tâm Máy học Munich (MCML), cũng là nghiên cứu sinh tiến sĩ thỉnh giảng của phòng thí nghiệm MaiNLP (người hướng dẫn Barbara Plank).
Nghiên cứu lâu dài của Mã Bác Lỗi tập trung vào 'NLP lấy con người làm trung tâm', khoa học xã hội tính toán, cũng như ngữ nghĩa và dụng học tính toán – chính là bản chất của bài báo này: sử dụng lý thuyết ngôn ngữ học vững chắc để xem xét mô hình lớn thời thượng.
Bài báo xuất sắc nhất 2: Lắp đặt một bộ não người biết quên cho mô hình lớn.
Bài báo: Memory efficiency and resource-rational encoding in sentence processing
Tác giả: Weijie Xu (Từ Vĩ Kiệt)、Brian Dillon、Richard Futrell
Tổ chức: Đại học California, Irvine、Đại học Massachusetts Amherst
Địa chỉ bài báo:
Vấn đề mà bài báo này muốn giải quyết là: để mô hình ngôn ngữ thực sự trở thành mô hình 'xử lý ngôn ngữ của con người', thì phải giống con người, tính toán kỹ lưỡng trong bộ nhớ làm việc hạn chế.
Bộ nhớ làm việc của não người là nguồn tài nguyên khan hiếm, nhưng nó lại được sử dụng một cách dễ dàng. Con người sẽ bản năng ưu tiên phân bổ độ chính xác bộ nhớ hạn chế cho những nội dung bất ngờ, nhiều thông tin, trong khi đối với phần có thể dự đoán thì lướt qua.
Cách làm của tác giả rất khéo léo: tiêm nhiễu vào biểu diễn ẩn của Transformer theo tốc độ có thể điều chỉnh, sau đó sử dụng một mục tiêu hỗn hợp để huấn luyện mô hình – dưới ràng buộc cứng 'tổng độ chính xác mã hóa bị hạn chế', cố gắng dự đoán từ tiếp theo càng chính xác càng tốt.
Nói cách khác, buộc mô hình học cách 'tiết kiệm', dùng bộ nhớ quý giá vào việc then chốt.
Kết quả có hai phát hiện then chốt.
Thứ nhất, sau khi thêm ràng buộc bộ nhớ làm việc này, việc mô hình khớp với thời gian đọc của con người được cải thiện rõ rệt. Nói cách khác, 'nhịp độ' đọc câu của nó, gần với người thật hơn.
Thứ hai, quan trọng hơn – để quản lý tốt độ chính xác mã hóa, biểu diễn ngữ cảnh của mô hình được định hình lại, trở nên 'nén' hơn, 'phạm trù hóa' hơn (categorical).
Điều này hướng đến một kết luận đáng suy nghĩ: trong mô hình xử lý câu của con người, 'cơ chế truy xuất' của bộ nhớ làm việc và 'biểu diễn ký ức' cơ bản, có thể tách rời (dissociation).
Nói cách khác, không phải cho mô hình bộ nhớ lớn hơn thì sẽ giống người hơn, mà là cho nó một ràng buộc 'phải tiết kiệm', nó mới tự phát triển ra cách biểu diễn gần với não người hơn.
Từ chuyên ngành tiếng Tây Ban Nha, đến tâm lý ngôn ngữ học tính toán
Tác giả chính Từ Vĩ Kiệt, hiện là nghiên cứu sinh tiến sĩ chuyên ngành Khoa học Ngôn ngữ tại Đại học California, Irvine, thầy hướng dẫn là nhà tâm lý ngôn ngữ học tính toán Richard Futrell, chuyên về lĩnh vực tâm lý ngôn ngữ học tính toán.
Chuyên ngành đại học của anh là Ngôn ngữ và Văn học Tây Ban Nha tại Đại học Ngoại ngữ Thượng Hải. Sau đó, anh lấy bằng thạc sĩ Khoa học Xã hội Tính toán tại Đại học Chicago, thầy hướng dẫn là Ming Xiang.
Mùa thu năm 2026, anh sẽ đến Đại học Massachusetts Amherst, bắt đầu nghiên cứu sau tiến sĩ.
Anh viết trên trang chủ rằng, hệ thống nhận thức của con người bị giới hạn bởi những ràng buộc chồng chất, nhưng lại có thể vận hành một cách gần như không mất sức; và nghiên cứu của anh, chính là muốn coi ngôn ngữ của con người như một cánh cửa sổ, để nhìn vào bản chất 'hữu hạn' này của tâm trí con người.
Bài báo xuất sắc nhất 3: Tại sao cơ chế chú ý 'chỉ nhìn cục bộ', lại mạnh hơn
Bài báo: Characterizing the Expressivity of Local Attention in Transformers
Tác giả: Jiaoda Li、Ryan Cotterell
Tổ chức: Viện Công nghệ Liên bang Thụy Sĩ Zurich (ETH Zürich)
Địa chỉ bài báo:https://aclanthology.org/2026.acl-long.1739/
Khả năng chính của Transformer là 'chú ý toàn cục' (global attention), mỗi khi sinh ra một từ, đều nhìn lại tất cả các từ trước đó. Một biến thể phổ biến 'chú ý cục bộ' (local attention), chỉ cho mỗi từ nhìn lại các lân cận trong cửa sổ cố định, giảm chi phí tính toán bậc hai xuống tuyến tính.
Chú ý cục bộ vốn để tiết kiệm sức tính toán, nhưng mọi người phát hiện, nó còn thường khiến hiệu quả mô hình tốt hơn. Hiện tượng này chưa có một lời giải thích đàng hoàng.
Bài báo này dùng lý thuyết ngôn ngữ hình thức để đưa ra câu trả lời.
Trước đây đã có kết luận, Transformer với độ chính xác cố định, chỉ có chú ý toàn cục, tương ứng với đoạn trong logic thời gian tuyến tính chỉ chứa một 'toán tử quá khứ'.
Tác giả chứng minh thêm, việc thêm chú ý cục bộ sẽ đưa vào toán tử thời gian thứ hai, mở rộng nghiêm ngặt lớp ngôn ngữ chính quy mà mô hình có thể nhận dạng.
Điều tuyệt vời hơn là, chú ý toàn cục và cục bộ 'bổ sung' nhau về biểu lực, không cái nào thay thế được cái nào, kết hợp cả hai mới đạt được mức phong phú nhất.
Thí nghiệm nhận dạng ngôn ngữ hình thức và mô hình hóa ngôn ngữ tự nhiên đều xác nhận điều này, Transformer hỗn hợp toàn cục + cục bộ, ổn định vượt qua phiên bản chỉ có toàn cục.
Tác giả chính Jiaoda Li (Lý Kiều Đạt) là nghiên cứu sinh tiến sĩ tại Trung tâm AI của Viện Công nghệ Liên bang Thụy Sĩ Zurich (ETH), thầy hướng dẫn là nhà ngôn ngữ học tính toán Ryan Cotterell và Stefan Feuerriegel, nghiên cứu tập trung vào NLP có thể giải thích được.
Chuyên ngành đại học của anh là Kỹ thuật Điện tử và Truyền thông tại Đại học Thành phố Hồng Kông; sau đó lấy bằng thạc sĩ Khoa học Dữ liệu tại ETH, rồi tiếp tục học lên tiến sĩ.
Bài báo nổi bật: Người Hoa gần như 'bao sân'
Ngoài bài báo xuất sắc nhất, ACL 2026 còn bình chọn ra 18 bài báo nổi bật (Outstanding Paper).
Lướt qua danh sách sẽ thấy một thực tế rõ ràng hơn: lực lượng người Hoa gần như chiếm lĩnh nửa bảng, đặc biệt ở hai hướng nóng nhất là học tăng cường và an ninh mô hình lớn, có mấy bài thậm chí là đội ngũ toàn người Hoa.
Lý luận và Học tăng cường
1. Evolutionary Guided Decoding: Iterative Value Refinement for LLMs
Tác giả: Zhenhua Liu、Lijun Li、Ruizhe Chen、Yuxian Jiang、Tong Zhu、Zhaochen Su、Wenliang Chen、Jing Shao
Tổ chức: Phòng thí nghiệm Trí tuệ Nhân tạo Thượng Hải, Đại học Tô Châu, Đại học Chiết Giang, Đại học Phúc Đán
2. Rethinking Entropy Interventions in RLVR: An Entropy Change Perspective
Tác giả: Zhezheng Hao、Hong Wang、Haoyang Liu、Jian Luo、Jiarui Yu、Hande Dong、Qiang Lin、Can Wang、Jiawei Chen
Tổ chức: Đại học Chiết Giang, Tencent
3. GeoRA: Geometry-Aware Low-Rank Adaptation for RLVR
Tác giả: Jiaying Zhang、Lei Shi、Jiguo Li、Jun Xu、Jiuchong Gao、Jinghua Hao、Renqing He
Tổ chức: Meituan, Đại học Bắc Kinh
4. CURE: Critique-Driven Unified Reinforcement Learning for Test-Time Self-Improvement
Tác giả: Guirong Chen、Shuqi Ye、Wenkai Yang、Shiqi Shen、Guangyao Shen、Yankai Lin
Tác nhân và Đánh giá
5. CAR-bench: Evaluating the Consistency and Limit-Awareness of LLM Agents under Real-World Uncertainty
Tác giả: Johannes Kirmayr、Lukas Stappen、Elisabeth André
Tổ chức: BMW Group Research, Đại học Augsburg
6. MediEval: A Unified Medical Benchmark for Patient-Contextual and Knowledge-Grounded Reasoning in LLMs
Tác giả: Zhan Qu、Michael Färber
Tổ chức: Đại học Kỹ thuật Dresden, ScaDS.AI (Đức)
7. Mind the (DH) Gap! A Contrast in Risky Choices Between Reasoning and Conversational LLMs
Tác giả: Luise Ge、Yongyan Zhang、Yevgeniy Vorobeychik
Tổ chức: Đại học Washington ở St. Louis
8. CIG: Measuring Conversational Information Gain in Deliberative Dialogues with Semantic Memory Dynamics
Tác giả: Ming-Bin Chen、Jey Han Lau、Lea Frermann
Tổ chức: Đại học Melbourne
An ninh, Tin cậy và Phát hiện
9. Lying with Truths: Open-Channel Multi-Agent Collusion for Belief Manipulation via Generative Montage
Tác giả: Jinwei Hu、Xinmiao Huang、Youcheng Sun、Yi Dong、Xiaowei Huang
Tổ chức: Đại học Liverpool, Đại học Trí tuệ Nhân tạo Mohamed bin Zayed (MBZUAI)
10. Beyond the Final Actor: Modeling the Dual Roles of Creator and Editor for Fine-Grained LLM-Generated Text Detection
Tác giả: Yang Li、Qiang Sheng、Zhengjia Wang、Yehan Yang、Danding Wang、Juan Cao
Tổ chức: Viện Công nghệ Máy tính, Viện Hàn lâm Khoa học Trung Quốc, Đại học Viện Hàn lâm Khoa học Trung Quốc
11. Maximizing Local Entropy Where It Matters: Prefix-Aware Localized LLM Unlearning
Tác giả: Naixin Zhai、Pengyang Shao、Binbin Zheng、Yonghui Yang、Fei Shen、Long Bai、Xun Yang
Tổ chức: Đại học Khoa học và Công nghệ Trung Quốc, Đại học Quốc gia Singapore
Hiệu quả
12. From Local to Global: Revisiting Structured Pruning Paradigms for Large Language Models
Tác giả: Ziyan Wang、Enmao Diao、Qi Le、Pu Wang、Minwoo Lee、Shu-ping Yeh、Evgeny V Stupachenko、Hao Feng、Li Yang
Tổ chức: Đại học Bắc Carolina tại Charlotte, Đại học Minnesota, Intel, DreamSoul
Ngôn ngữ nói và Đa phương thức
13. MauBERT: Universal Phonetic Inductive Biases for Few-Shot Acoustic Units Discovery
Tác giả: Angelo Ortiz Tandazo、Manel Khentout、Youssef Benchekroun、Thomas Hueber、Emmanuel Dupoux
Tổ chức: Trường Sư phạm Paris (ENS/PSL), CNRS, Đại học Grenoble Alpes (GIPSA-lab), Meta AI (Pháp)
14. Hierarchical Acoustic-Semantic Modeling: Modality Separation and Semantic Coherence for Full-Duplex SLMs
Tác giả: 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
Tổ chức: Học viện Công nghệ Cáp Nhĩ Tân (Thâm Quyến), Đại học Trung văn Hồng Kông (Thâm Quyến), Viện nghiên cứu Loop Area Thâm Quyến
15. ViLL-E: Video LLM Embeddings for Retrieval
Tác giả: Rohit Gupta、Jayakrishnan Unnikrishnan、Fan Fei、Sheng Liu、Son Tran、Mubarak Shah
Tổ chức: Amazon, Đại học Central Florida
Ngôn ngữ học và Đa ngôn ngữ
16. Systematicity between Forms and Meanings across Languages Supports Efficient Communication
Tác giả: Doreen Osmelak、Yang Xu、Michael Hahn、Kate McCurdy
Tổ chức: Đại học Saarland, Đại học Toronto
17. Massively Multilingual Joint Segmentation and Glossing
Tác giả: Michael Ginn、Lindia Tjuatja、Enora Rice、Ali Marashian、Maria Valentini、Jasmine Xu、Graham Neubig、Alexis Palmer
Tổ chức: Đại học Colorado Boulder, Đại học Carnegie Mellon
18. CxMP: A Linguistic Minimal-Pair Benchmark for Evaluating Constructional Understanding in Language Models
Tác giả: Miyu Oba、Saku Sugawara
Tổ chức: Viện Khoa học và Công nghệ Tiên tiến Nara, Viện Tin học Quốc gia Nhật Bản, Đại học Tokyo
Tài liệu tham khảo:
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
Bài viết này từ tài khoản công chúng WeChat "New Zhiyuan", tác giả: ASI Apocalypse; biên tập: Môi-se
