近日，自然语言处理领域顶级会议 ACL 2026 放榜，软件学院郑滔教授课题组的4篇高水平论文成功入选。ACL 2026（ 第64届计算语言学协会年会 ）是自然语言处理领域公认的顶级学术会议之一。作为计算语言学协会（ Association for Computational Linguistics, ACL ）的旗舰会议，ACL 自 1962 年创立以来，一直是全球 NLP 研究者发布前沿成果、交流学术思想的核心平台，在学术界与工业界均享有崇高的声誉。会议聚焦自然语言处理的最前沿技术，涵盖了大语言模型、多语言处理、智能体系统、语音处理、代码模型等多个核心方向，旨在发布和探讨计算语言学领域的最新理论突破与技术创新。本次 ACL 2026 竞争激烈，投稿数量再创新高，共收到有效投稿 12148 篇，Main 录用率为 19%。ACL 2026 会议将于 2026 年 7 月 2 日至 7 月 7 日在美国加利福尼亚州圣地亚哥举行。
以下是课题组 4 篇 ACL 2026 录用论文的简要介绍：
1. 面向知识图谱补全的细粒度语义与生成式结构量化方法
论文名：GS-Quant: Granular Semantic and Generative Structural Quantization for Knowledge Graph Completion
知识图谱是符号知识表示的重要基础，在推荐系统、问答系统以及大模型幻觉缓解等任务中发挥着关键作用。然而，知识图谱普遍存在不完整性，大量真实存在的事实并未被显式记录为三元组，限制了其覆盖范围与应用效果。知识图谱补全的目标正是自动推断缺失关系，提升知识图谱的完整性与可用性。
当前，大模型驱动的知识图谱补全方法主要包括文本化方法和嵌入式方法。前者虽然能够利用大模型的语言推理能力，但会破坏知识图谱原有拓扑结构，并带来较高计算开销；后者在效率上更具优势，但连续稠密的图嵌入与大模型擅长处理的离散序列表示之间存在明显模态差异，制约了模型对图结构语义的充分理解。
针对这一问题，团队提出 GS-Quant 框架，旨在为知识图谱实体学习一种语义一致、结构分层、适合大模型生成推理的离散代码表示。该方法包含两个关键模块：一是细粒度语义增强模块，通过引入层次化语义知识，引导不同量化层级学习由粗到细的实体语义；二是生成式结构重建模块，利用轻量级 GPT 风格解码器对代码序列进行结构化重建，使离散表示具备上下文关联和层次逻辑。
实验结果表明，GS-Quant 显著优于现有基线方法，在大模型增强的知识图谱补全任务中取得了更优性能，展现出良好的有效性与泛化能力。该研究突破了传统知识图谱补全中"文本线性化破坏结构"和"连续嵌入难以适配大模型"的双重局限，提出了一种兼具语义层次性、结构生成性和大模型友好性的新型离散表示方法，为知识图谱与大语言模型的深度融合提供了新的思路，也为推荐系统、智能问答和知识增强生成等应用方向提供了重要支撑。
该论文作者包括：谢其卓（2025级硕士）、刘云辉（2024级直博生）、邢玉（2022级博士）、侯千子（2025级博士）、金煦东（2025级硕士）、郑滔、何铁科
2. 通过复制增强注意力干预恢复上下文主导性以缓解 RAG 中的幻觉问题
论文名：CoDA: Restoring Contextual Dominance via Copy-Encouraged Attention Intervention for Mitigating RAG Hallucinations
围绕检索增强生成（ RAG ）场景下大语言模型幻觉问题开展研究，研究团队提出了一种面向注意力机制的推理干预框架 CoDA，为提升大模型在知识密集型任务中的事实可靠性与上下文忠实性提供了新思路。
现有 RAG 方法通常通过引入外部检索证据来缓解大模型幻觉问题，但实践表明，即使检索结果已经包含正确答案，模型仍可能忽视外部证据，转而依赖参数记忆生成错误内容。针对这一问题，团队进一步关注大模型内部"外部上下文知识"与"内部参数知识"之间的竞争机制，提出了 CoDA 框架。该方法借鉴模型编辑中的"定位—干预"思想，首先定位事实输出与幻觉输出开始分化的关键层；在此基础上，通过轻量级、可插拔的复制增强注意力干预机制，放大与外部证据语义一致的表示，引导模型优先沿着证据传播路径完成生成，从而恢复上下文在推理过程中的主导作用，缓解幻觉问题。实验结果表明，CoDA 在标准 RAG 任务以及长上下文、噪声上下文等复杂场景下均能稳定提升模型的上下文忠实性，有效降低幻觉生成，同时仅带来较小的额外推理开销。
该研究从大模型内部知识竞争机制出发，为理解 RAG 幻觉成因及其推理阶段干预提供了新视角，也为构建更加可信、可控的检索增强生成系统提供了重要方法支撑。
该论文作者包括：史金伟（2024级硕士）、谢其卓（2025级硕士）、侯千子（2025级博士）、王志鹏（2025级博士）、苏婉婷（2026级博士）、赵建华、郑滔、何铁科
3. 熵驱动路由下的动态图高效推理
论文名：Effective Inference on Dynamic Graphs via Entropy Driven Routing
现有大模型图推理研究大多基于静态图假设，难以适应真实场景中普遍存在的动态图问题，如社交网络演化、用户行为轨迹分析和动态推荐等。在这类任务中，模型不仅要理解图结构，还需要追踪关系随时间的变化，并在多跳时序依赖中完成推理。
针对动态图任务中样本复杂度差异大、固定推理模式难以兼顾效率与准确性的问题，团队提出 DualDyg 框架，从不确定性感知、风险控制和闭环验证三个层面提升动态图推理能力。该方法首先通过结构熵路由机制，联合建模图结构复杂度与模型初始预测不确定性，动态判断样本应采用快速推理还是深度推理；进一步提出不确定性引导特征掩码机制，在隐空间中抑制高不确定特征，提高复杂样本推理的稳定性；同时构建闭环验证机制，通过检测推理前后不确定性的变化，验证额外计算是否真正提升了预测可靠性。在多个动态图基准数据集上的实验表明，DualDyg 在 Llama-3.1 和 Qwen3 等主流大模型骨干上均取得了良好效果：在提升推理准确率的同时，整体 token 开销降低 18.0%–18.6%，约 35% 的样本可直接进入快速推理路径；进入深度推理路径的样本中，87% 实现了不确定性下降，验证了该方法在"按需思考、有效思考"方面的实际价值。
本研究突破了传统动态图推理中固定策略、启发式判断和缺乏反馈闭环的局限，提出了一种兼具效率与可靠性的大模型动态图推理新范式。相关成果有望在时序社交网络分析、用户行为建模、动态知识发现与工业时序智能决策等方向发挥重要作用。
该论文作者包括：陈银锋（2025级直博生）、Yanbin Wei（香港科技大学）、刘云辉（2024级直博生）、谢其卓（2025级硕士）、侯千子（2025级博士）、崇滨（北京大学）、何铁科
4. 数据稀缺下大语言模型强化学习综述：挑战与解决方案
论文名：A Survey of Reinforcement Learning for Large Language Models under Data Scarcity: Challenges and Solution
本文是首篇系统探讨数据稀缺环境下大语言模型（ LLM ）强化学习的综述论文。针对外部高质量监督数据匮乏和内部生成经验受限的双重挑战，本文提出了一个自底向上的分层理论框架，从三个核心视角系统梳理了现有的解决方案：
以数据为中心视角：关注如何最大化数据的信息量，包括数据的剪枝、合成与压缩。
以训练为中心视角：关注如何在数据有限的情况下提升学习效率，涵盖轨迹生成、奖励工程与策略优化。
以框架为中心视角：关注如何构建降低外部数据依赖的演化系统，包括自我演化、非对称协同演化以及多智能体演化框架。该综述全面总结了当前的技术进展、优势与局限，为开发更高效、可扩展的 LLM 强化学习后训练方法提供了清晰的路线图。
该文章由罗霄（威斯康辛大学）组织领衔，参与者来自南京大学，北京大学，新加坡国立大学，南开大学，同济大学，上海人工智能实验室等多个不同机构。
课题组目前正在招收 2026/2027 级专业硕士、学术硕士、直博及申请考核制博士生，欢迎考研考生与推免生申请。
研究方向包括：大模型、Agentic AI、图机器学习、大数据与工业智能应用 等。
团队坚持理论深度与工程实践并重，提供稳定科研经费、充足算力资源及国际合作与学术交流机会。
欢迎具备扎实数学基础、较强编程能力和良好科研潜力，并希望在科研中持续成长的同学联系交流。
联系方式
郑滔：zt@nju.edu.cn
何铁科：hetieke@nju.edu.cn（主页hetieke.cn）