新智元報道

編輯：桃子 好困

ACL首屆博士論文獎公布了，UC伯克利助理教授Sewon Min摘桂冠！開幕式上，組委會公開了今年參會背景，提交論文的中國作者占全世界一半。ACL，如今成了中國的頂會？

ACL 2025在維也納開幕了！

今年的ACL，可謂是座無虛席，盛況空前。開幕式上，組委會公布了今年參會的具體情況。

值得一提的是，論文里的中國作者已經占據了半壁江山，比例超過51%。

其中，第一作者有高達51.3%來自大陸，排在第二的美國僅為14%。

ACL今年整體情況如下（主會議部分）：

? 1,700篇主會論文，1,400篇Findings論文，108篇產業論文

? 17篇CL（Computational Linguistics）論文，40篇TACL（Transactions of ACL）論文

? 2場主旨演講，1場專家小組討論

此外，頂會附屬活動還包括：28場workshop（投稿超800篇），8場教程（tutorial），64演示（demo），104篇學生研究工作（SRW）論文。

同在今天，首屆ACL「計算語言學博士論文獎」正式公布了。

來自UC伯克利EECS助理教授Sewon Min，因論文Rethinking Data Use in Large Language Models斬獲大獎。

7月初，她曾獲得了ACM博士論文獎榮譽提名

ACL成了中國頂會？

作為NLP領域A類頂會之一，ACL每年匯聚了世界各地學者，今年是第63屆年會。

回看過去十年，ACL總論文提交量增長了10倍，過去5年增長了4倍。

今年，頂會共提交了8360（8350）篇論文，其中主會錄用率為20.3%，共有1699篇論文。Findings錄用率為16.7%，共有1392篇論文。

相較于去年，論文總提交數量上漲了70%，審稿人共有5903人，上漲了38%。

更有趣的是，ACL桌拒比率比24年飆升160%。

從提交論文研究的領域來看，NLP應用（13.1%）位列第一，資源和評估占比12.4%，還有多模態和語言Grounding、語言建模等領域，成為了研究重點。

其他一些數據統計：

67%的論文標題和摘要中有「LLM」一詞，其中9%提及了GPT，8%提及了Llama，還有2%論文提及了DeepSeek、BERT、Gemini/Gemma。

50位作者提交了超過10篇論文，23%的作者提交了超2篇論文。

250篇論文有超10位作者，僅一位作者論文有20篇。

65%的論文標題里都有「:」！

目前，ACL最佳論文獎暫未公布，今年首次公布了「計算語言學博士論文獎」。

ACL首屆博士論文獎

這篇獲獎論文Rethinking Data Use in Large Language Models，于2024年發表，全文長達157頁，是華盛頓大學Sewon Min的博士畢業論文。

ACL組委會點評，這篇論文為大模型的行為和能力提供了關鍵見解，特別是在上下文學習方面。

其研究結果，對當今NLP的核心產生了影響。

論文地址：https://www.sewonmin.com/assets/Sewon_Min_Thesis.pdf

總的來說，這篇研究核心，重點圍繞LLM如何利用訓練時使用的的大量文本語料庫。

首先，作者揭示了這些模型在訓練后學習新任務的內在機制——其所謂的上下文學習能力幾乎完全取決于從訓練數據中獲取的知識。

接著，她又提出了一類新型非參數化語言模型。

它們將訓練數據重新定位為可檢索的信息數據庫，從而顯著提升準確性與可更新性。

在此過程中，作者還開發首批廣泛應用的神經檢索模型之一，以及將傳統兩階段流程簡化為單階段的創新方法。

研究表明，非參數化模型為負責任的數據使用開辟了新途徑。比如，通過對授權文本與受版權內容的分類差異化處理。

最后，Sewon Min對下一代語言模型的發展方向作出展望，強調高效Scaling、事實性增強、去中心化架構這三大核心目標。

7月初，她的這篇論文，還獲得了ACM博士論文榮譽提名。在接受ACM采訪中，她首次暢談了選擇LLM領域原因，以及對當前AI領域的一些看法。

以下內容，為采訪部分截?。?/p>

Q：你是如何決定將LLM作為研究方向的？

NLP領域的研究者長期致力于構建「通用模型」——無需針對特定任務訓練就能處理多種任務。

當大語言模型出現時，其技術路徑是通過海量數據的自監督訓練來構建巨型模型，從而消除對人類監督的依賴。

這似乎為實現該目標指明了一條道路。

這個理念簡單得令人沮喪，卻揭示了諸多關鍵要素：數據質量與規模的核心作用、對人類先驗知識的最小化依賴、以及消除人工標注環節。以上是官方回答。

老實說，這個領域聽起來就令人興奮，而且研究過程充滿樂趣。如今該領域能產生如此廣泛而深遠的影響，我感到非常幸運。

Q：你在近期演講中提到，當前LLM生成人物傳記時，事實錯誤率高達42%。為何會出現這種情況？

我認為這與當前LLM基于記憶訓練數據的底層機制有關。

對于知名人士，模型能生成準確傳記，因為相關高頻出現于訓練數據中；但對于曝光不足的對象，模型往往無法準確回憶，轉而生成看似合理實則錯誤的文本（即幻覺現象）。

這反映了此類模型數據學習機制的核心局限。

Q：你在「非參數化」大語言模型領域取得突破性成果。能否舉例說明非參數化大語言模型與標準大語言模型在生成響應時的區別？

標準大語言模型常虛構事實。例如，當我詢問無法聯網的ChatGPT「首爾有哪些米其林三星餐廳」時，它錯誤列舉了二星餐廳Gaon和已歇業的La Yeon，甚至編造營業時間——這反映出記憶知識的過時與缺失。

而非參數化大語言模型會從實時更新的數據存儲中檢索文檔（如2025年提到首爾唯一三星餐廳Mingles的文章），并基于這些文檔給出正確答案。

作者介紹

Sewon Min是加州大學伯克利分校電子工程與計算機科學系的助理教授，同時也是艾倫人工智能研究所的研究科學家，并隸屬于伯克利人工智能研究實驗室和伯克利自然語言處理研究組。

她的研究方向是自然語言處理和機器學習，特別是在大語言模型領域——致力于深入理解并推動模型的發展，重點研究如何利用海量的文本語料庫。

此前，她在華盛頓大學獲得計算機科學與工程博士學位，在首爾大學獲得計算機科學與工程學士學位。曾擔任meta FAIR的兼職訪問研究員，并先后在谷歌研究院和Salesforce研究院實習。

參考資料：

https://x.com/aclmeeting/status/1949836573144445424 https://www.acm.org/articles/people-of-acm/2025/sewon-min