近日，第64届国际计算语言学年会（Annual Meeting of the Association for Computational Linguistics，简称ACL）公布论文录用结果。国际计算语言学年会（ACL）是计算语言学和自然语言处理领域的国际排名第一的顶级学术会议，由国际计算语言学协会组织，每年召开一次，在中国计算机学会（CCF）推荐会议列表中被列为A类会议。ACL 2026共收到12,148篇投稿，Main Conference录用率约为19%，Findings录用率约为18%。bat365在线体育登录共有3篇论文被大会录用，其中2篇入选Main Conference，1篇入选Findings of ACL。
本次录用的三项研究均以bat365在线体育登录为第一完成单位。三篇论文的第一作者分别为图书情报专业2025级硕士研究生顾晨阳、郑朴骏、郑锦泉，通讯作者为贺国秀副教授。具体信息如下（排名不分先后）。
一、MoRI: Learning Motivation-Grounded Reasoning for Scientific Ideation in Large Language Models（Main Conference）
MoRI：面向科学创意生成的动机驱动推理框架
Chenyang Gu，Jiahao Cheng，Meicong Zhang，Pujun Zheng，Jinquan Zheng，Guoxiu He*
bat365在线体育登录
研究简介：本研究聚焦于科学创意生成（Scientific Ideation）任务中，大语言模型容易停留在概念拼接与表层重组、缺乏技术深度和科学依据的问题，提出了MoRI框架。MoRI将科学创意生成建模为研究动机驱动的推理过程，使模型先从研究背景中识别动机（如现有研究局限），再基于此逐步推导出具体的方法设计。为此，研究结合监督微调与强化学习，并设计了由熵感知信息增益和对比语义增益组成的复合奖励，以同时鼓励技术细节的充分展开和推理方向的合理对齐。评估结果显示，MoRI在总体表现上优于所比较的agentic基线，并在技术严谨性与可行性方面优于对比商业模型，同时保持有竞争力的新颖性。
二、From Isolated Scoring to Collaborative Ranking: A Comparison-Native Framework for LLM-Based Paper Evaluation（Findings of ACL）
CNPE：基于比较的论文评价新范式
Pujun Zheng¹，Jiacheng Yao¹，Jinquan Zheng¹，Chenyang Gu¹，Guoxiu He¹*，Jiawei Liu²，Yong Huang²，Tianrui Guo³，Wei Lu²
¹bat365在线体育登录
²武汉大学信息管理学院
³教育部学位与研究生教育发展中心
研究简介：本研究针对大语言模型在科学论文评价中因独立评分范式导致的评分尺度不一和稳健性不足问题，提出了比较原生框架CNPE。该框架通过基于图的相似度排名算法采样更具辨别性的论文对，并利用监督微调（SFT）与基于比较奖励的强化学习（RL）来增强模型的相对质量判断能力。推理阶段采用Bradley-Terry模型将两两比较的偏好信号整合为全局排名。实验结果：在ICLR-2025等数据集上的测试表明，仅有7B参数规模的CNPE模型在评价性能上优于14B的强基准DeepReview，平均相对提升达21.8%，并展现出跨会议数据集的泛化稳健性。
三、Mitigating Selection Bias in Large Language Models via Permutation-Aware GRPO（Main Conference）
PA-GRPO：缓解大模型选择偏差的优化方法
Jinquan Zheng，Jia Yuan，Jiacheng Yao，Chenyang Gu，Pujun Zheng，Guoxiu He*
bat365在线体育登录
本研究针对大语言模型在单选题（MCQ）及LLM-as-a-Judge任务中易受选项位置和标签符号影响的选择偏差问题，提出了PA-GRPO算法。该方法通过构建排列组合群组（Permutation Group），引入了跨排列优势估计和一致性感知奖励，在训练阶段强制模型在不同选项顺序下保持语义一致的决策过程。实验结果：在MT-Bench、GPQA等七项基准测试中，PA-GRPO在显著降低位置偏差与标签偏差的同时，保持并提升了模型在复杂推理任务中的准确度与稳定性。
上述三项工作围绕科学研究智能化这一核心方向，从科学创意生成、科研成果评价以及模型决策可靠性三个关键环节系统推进，构建了大语言模型赋能科研的新方法体系。相关成果不仅深化了对人工智能辅助科研中认知与决策机制的理解，也为构建更加可靠、可解释的智能科研系统提供了重要技术支撑。
文丨贺国秀
编辑丨肖启玉
审核丨毛云飞
