acl-2026

斯坦福NLP宣布，一篇题为《大语言模型中的未完成体悖论》的语言学视角NLP论文在ACL 2026上获得最佳论文奖，鼓励对大语言模型进行更细致的语言学评估。

介绍ToolGrad，一个智能体框架，通过文本‘梯度’生成、评估和优化工具使用轨迹，达到近乎100%的通过率，降低数据集生成成本。已被ACL 2026接收。

本文提出结构引导实体解析（SGER）框架，通过课程学习微调大语言模型，在语言多样化环境中实现鲁棒的人名匹配，在印度身份数据上达到99.02%准确率，并已在Dream11部署。

一个个人项目最终产出了一篇ACL 2026论文，介绍了TIME方法，训练Qwen3模型进行短时、上下文触发的思考，而非过度推理。该工作使用了QLoRA和四阶段课程，所有数据和代码均已开源发布。