软件与微电子学院李伟平、莫同课题组系列研究成果被ACL2026接收

2026年7月2日至7月7日，第64届国际计算语言学年会（64th Annual Meeting of the Association for Computational Linguistics，ACL2026），在美国加利福尼亚州圣地亚哥市召开。ACL为计算语言学、自然语言处理领域旗舰会议，是中国计算机学会（CCF）推荐的人工智能领域 A 类国际学术会议。2026年ACL总投稿量12148 篇，主会录用2296 篇，录用率约18.9%。

软件与微电子学院李伟平、莫同老师课题组在ACL2026发表论文4篇，其中主会发表3篇，Findings分会发表1篇。

ACL主会：

论文《Towards Order Fairness: Mitigating LLMs Order Sensitivity through Dual Group Advantage Optimization》，作者 Xu Chu、Guanyu Wang、Zhijie Tan、Xinrong Chen、Ziyu Li、Tong Mo、Weiping Li*（通讯作者）。论文针对大模型在处理输入元素时容易存在“顺序偏见”的问题，提出了一种双重组优势优化DGAO算法。该方法利用强化学习同时平衡组内相对准确率优势和组间相对稳定性优势，在不牺牲准确率的前提下显著提升了模型对输入顺序的鲁棒性，为缓解大模型输出受到输入元素排列顺序的干扰提供了新的解决方案。

论文《MuSe: Multi-Stage Graph Reasoning via Vision-Language Models》，作者 Guanyu Wang、Xu Chu、Zhijie Tan、Xinrong Chen、Tong Mo*（通讯作者）、Weiping Li。论文针对大模型处理大规模图时容易产生“聚焦幻觉”的问题，提出了一种基于视觉语言模型的多阶段图推理框架MuSe。该框架通过逐步采样并可视化与任务相关的局部子图进行渐进式推理。实验结果表明，MuSe可以有效提升大模型在处理大规模图时的推理效果和效率，为大模型处理大规模图数据任务提供可借鉴的解决思路。

论文《RADO：面向高风险领域严谨推理的审计驱动优化》，作者 Zhijie Tan、Xu Chu、Guanyu Wang、Ziyu Li、Weiping Li*（通讯作者）、Tong Mo。论文针对金融、法律等领域大模型的强化学习训练如果仅依赖结果奖励容易忽略中间步骤逻辑谬误容易产生效果瓶颈的问题，提出了一种推理审计驱动优化框架RADO。该框架通过引入具备外部工具调用能力的审计模型识别局部逻辑断裂从而校准奖励信号，与DPO和GRPO等常见强化学习策略相结合，能够有效的提升模型在上述领域的推理效果。

Findings分会：

论文《SGG-R3: From Next-Token Prediction to End-to-End Unbiased Scene Graph Generation》，作者 Jiaye Feng、Qixiang Yin、Yuankun Liu、Tong Mo*（通讯作者）、Weiping Li。场景图是将图像的视觉信息（图像中的物体和关系）转化为一种结构化的、文本描述的图数据（节点和边）的信息表征方式，是连接计算机视觉（CV）和自然语言处理（NLP）的一种纽带，使得大模型能够像理解文本一样去“理解”图像内容。论文针对多模态大模型在端到端场景图生成（SGG）任务中面临的关系稀疏和长尾分布导致的预测偏差问题，提出了一种结构化推理框架SGG-R³。该框架结合了基于关系增强的监督微调和引入双粒度奖励的强化学习，有效的缓解了模型的长尾偏见，实现了更精准的端到端场景图生成。

李伟平、莫同老师课题组在情境感知（Context-aware）和数智服务方向深耕多年，此次在ACL2026发表多篇论文，充分体现了学院在人工智能方向的持续创新能力。

关键软件方向硕士生褚旭在ACL2026会议现场