近日，第63届国际计算语言学年会ACL 2025 （Annual Meeting of the Association for Computational Linguistics，简称ACL) 论文接收结果公布，阿里国际AI Business技术团队多篇论文被录用。

ACL是自然语言处理领域最具影响力的国际会议之一，也是中国计算机学会（CCF）推荐的A类国际学术会议。该会议每年举办一次，由国际计算语言学学会协会主办。会议同期将举办技术研讨会、行业论坛及学生竞赛，推动产学研深度结合。

本届会议将于 2025 年 7 月 27 日至 8 月 1 日 在奥地利维也纳举行。据统计，今年ACL总投稿数高达8000多篇，创历史之最，被称为ACL论文收录竞争最为激烈的一年。AI Business技术团队共被录取9篇论文，含6篇主会长文。主题涵盖了大语言模型、推理大模型、机器翻译、多模态模型、AI for science等方向。接下来为大家介绍入选论文，后续我们将邀请论文作者详细解析论文思路和技术成果，欢迎关注~

作者：Huifeng Yin, Yu Zhao, Minghao Wu, Xuanfan Ni, Bo Zeng, Hao Wang, Tianqi Shi, Liangying Shao, Chenyang Lyu, Longyue Wang, Weihua Luo, Kaifu Zhang

链接：https://arxiv.org/abs/2503.01461

🏷 Marco-o1 V2：拓宽推理模型蒸馏瓶颈的新探索

摘要： 大规模推理模型（LRMs），如 OpenAI o1 和 DeepSeek-R1，通过提升推理计算和生成更长的思维链（Chain-of-Thought, CoT），展现了强大的推理能力。为了让小模型也具备类似的推理能力，业界常用“蒸馏”技术——即用大模型生成的数据对小模型进行再训练。然而，我们发现：直接用大模型生成的长思维链数据训练小模型，不仅难以学习，还容易让小模型继承“过度思考”等偏差，尤其是在有监督微调（SFT）和强化学习（RL）阶段。

为了解决这一瓶颈，论文提出了创新方案：利用蒙特卡洛树搜索（MCTS）从零构建树状思维链数据，并结合一系列 CoT 感知方法（如思维链长度平衡、细粒度 DPO、联合后训练目标），显著提升了小模型在推理任务中的表现。我们的方法在五个以考试为导向和开放式的基准测试上进行了验证，涵盖了三种不同难度的数学任务（GSM8K、MATH 和 AIME）、八种语言的指令跟随（Multi-IF）以及真实世界的规划任务（Blocksworld）。实验结果显示，我们提出的方法在所有任务上都能持续且独立地提升推理表现，显著优于传统蒸馏模型。这一提升主要得益于在长链式思考过程中减少了幻觉现象，尤其是内容重复，从而有效降低了“无答案”现象，整体准确率也得到了提升。

作者：Qing Li, Jiahui Geng, Zongxiong Chen, Derui Zhu, Yuxia Wang, Congbo Ma, Chenyang Lyu, Fakhri Karray

🏷 HD-NDEs：用于大语言模型幻觉检测的神经微分方程

摘要： 近年来，大型语言模型（LLMs）取得了显著进展，但“幻觉”现象——即模型生成不准确或不真实陈述——仍然是实际应用中的重大挑战。尽管当前基于分类的方法（如SAPLMA）在缓解幻觉方面效率很高，但当非真实信息出现在输出序列的前中段时，这些方法的表现仍不理想，导致其可靠性下降。为了解决这些问题，我们提出了“HALLUCINATION DETECTION-NEURAL DIFFERENTIAL EQUATIONS（HD-NDEs）”方法，这是一种通过捕捉LLMs潜在空间中的全动态系统，系统性评估陈述真实性的新方法。

我们的方法采用神经微分方程（Neural DEs）对LLMs潜在空间中的动态系统进行建模，随后将潜在空间中的序列映射到分类空间，以进行真实性判断。我们在五个数据集和六个主流LLM上进行了大量实验，结果表明HD-NDEs方法非常有效，尤其是在True-False数据集上，AUC-ROC指标较当前最先进技术提升了14%以上。

(Perhaps) Beyond Human Translation: Harnessing Multi-Agent Collaboration for Translating Ultra-Long Literary Texts

作者：Minghao Wu, Jiahao Xu, Yulin Yuan, Gholamreza Haffari, Longyue Wang, Weihua Luo, Kaifu Zhang

链接：https://arxiv.org/abs/2405.11804

🏷 超越人类翻译：利用多智能体协作翻译超长篇文学文本

摘要： 文学翻译依然是机器翻译领域最具挑战性的前沿之一，因为需要捕捉修辞语言、文化细微差别和独特文体元素的复杂性。在本研究中，我们提出了TRANSAGENTS，这是一种新颖的多智能体框架，模拟了人类翻译公司中的角色和协作实践，包括CEO、高级编辑、初级编辑、翻译、在地化专家和校对员。翻译流程被划分为两个阶段：准备阶段，组建团队并起草全面的翻译指南；执行阶段，依次进行翻译、本地化、校对和最终质量检查。

此外，我们提出了两种创新的评估策略：单语人工偏好（MHP），仅根据目标语言的质量和文化适宜性评估译文；以及双语大模型偏好（BLP），利用GPT-4等大型语言模型进行直接文本对比。尽管TRANSAGENTS由于参考译文多样性有限而获得较低的d-BLEU分数，其译文却显著优于其他基线系统，并且无论是人类评审还是大模型，都更倾向于选择TRANSAGENTS的译文而不是传统人工参考译文或GPT-4的译文。我们的发现突显了多智能体协作在提升翻译质量（尤其是长文本）方面的潜力。

作者：Jifang Wang, Xue Yang, Longyue Wang, Zhenran Xu, Yiyu Wang, Yaowei Wang, Weihua Luo, Kaifu Zhang, Baotian Hu, Min Zhang

链接：https://arxiv.org/abs/2504.07046

🏷 用于条件图像生成评测的统一智能体框架

摘要： 可控图像生成因其在实现内容个性化方面的潜力而受到广泛关注。然而，该领域在构建可靠且可解释的多任务评估指标方面仍面临挑战。为此，本文提出了 CIGEval —— 一个统一的智能体框架，用于对可控图像生成任务进行全面评估。CIGEval 以多模态大模型（LMMs）为核心，配备多功能工具，形成细粒度的评估体系。此外，我们还合成了用于微调的评估轨迹，使参数量较小的 LMM 模型也能自主选择合适的工具，并基于工具输出进行深入分析。

在七个主流可控图像生成任务上的实验表明，CIGEval（GPT-4o 版本）与人工评估之间的相关性达到了 0.4625，接近人类标注者之间的相关性（0.47）。基于开源 7B LMM 的 CIGEval 仅需 2.3K条微调轨迹，性能便超越此前基于 GPT-4o 的最优方法。案例分析显示，CIGEval 能精准识别主体一致性问题并严格遵循控制引导，在自动化评估中具备接近人类评估水平的可靠性。