# NTU兩項研究獲最佳論文獎，聚焦人工智慧「胡編」與長文本理解難題

URL: https://www.shicheng.news/zh-hant/v/vEqkE
Published: 2026-11-03
Source: 獅城新聞

怎樣讓大語言模型不只「答對」，還真正理解不同社群期待怎樣的回答？當輸入幾十頁甚至更長的內容時，模型又如何快速找到最相關的信息，而不是把每一段都同等對待？

這兩個位於自然語言處理不同層次的問題，讓NTU研究團隊在國際頂級會議上同時獲得認可。

在匈牙利布達佩斯舉行的2026年自然語言處理實證方法會議（EMNLP 2026）上，**NTU計算與數據科學學院（CCDS）Jordan Boyd-Graber教授和Luu Anh Tuan副教授參與的論文，包攬本屆全部兩項最佳論文獎。**

一項研究「AI應該怎樣回答」，另一項深入模型內部，研究「AI應該怎樣讀取」。兩項成果共同展現了NTU自然語言處理研究的廣度。

## 為什麼EMNLP最佳論文獎值得關注？



EMNLP是人工智慧與自然語言處理領域的重要國際會議之一，研究覆蓋語言模型、機器翻譯、問答系統、文本生成、語言理解與AI評測等方向。

會議官方公布的2026年Best Paper名單只有兩篇，而兩篇論文均有NTU CCDS教師參與。這意味著NTU團隊同時在「人與模型如何溝通」和「模型如何高效處理信息」兩個方向獲得最高級別認可。

## 最佳論文一：AI回答問題，為什麼總有一種「機器味」？



**論文題目：**

*DiscoTrace: Representing and Comparing Answering Strategies of Humans and LLMs in Information-Seeking Question Answering*

**作者：**Neha Srikanth、Jordan Boyd-Graber、Rachel Rudinger

**NTU研究者：**Jordan Boyd-Graber教授

面對同一個問題，不同社群往往有不同的回答習慣。技術論壇可能偏好直接給出步驟，經驗分享社區可能先解釋背景，有些回答者會補充個人看法，有些則會刻意避開問題中不確定的部分。

但大語言模型即使在事實層面回答正確，也可能沒有真正捕捉這些語境和社群規範。它們常常傾向於面面俱到，把問題的各種可能解釋全部覆蓋，結果看似完整，卻未必符合用戶真正期待的交流方式。

![NTU兩項研究獲最佳論文獎，聚焦人工智慧「胡編」與長文本理解難題](https://www.shicheng.news/images/image/1793/17934869.avif?0)





## DiscoTrace：把回答拆成一條「策略軌跡」



研究團隊開發了名為**DiscoTrace**的方法，把一段回答拆解為連續的語言行為，並給每個部分貼上標籤，例如陳述、評論，或沒有直接回應問題。

系統還會記錄回答者如何理解原始問題。這樣一來，研究人員比較的不再只是答案包含哪些詞，而是能夠觀察回答者用了怎樣的溝通策略。

團隊分析了九個不同網絡社群中的人類回答，並與LLM生成內容進行比較。結果顯示，不同人類社群對「好答案」有不同偏好；相比之下，LLM的修辭策略缺少多樣性，即使提示模型模仿特定社群的規則，這種差異仍然存在。

DiscoTrace未來可用於評估和調整模型，使AI回答更能適應具體社群、用戶意圖與交流情境。這裡的目標不是簡單讓AI「裝得像人」，而是讓它更準確地理解什麼信息應該說、怎樣組織，以及哪些部分不必過度展開。

## 最佳論文二：長文本里，模型不必「什麼都讀」



**論文題目：**

*Don』t Read Everything: A Curvature-Conditioned Query for Linear Attention*

**作者：**Dong Le、Thong Thanh Nguyen、Cong-Duy T Nguyen、Anh Tuan Luu

**NTU研究者：**Luu Anh Tuan副教授

大語言模型處理長文本時，需要決定當前問題應該關注前文中的哪些信息。傳統Softmax注意力效果強，但計算量會隨著文本長度快速增長；線性注意力更節省資源，卻往往在長上下文檢索中落後。

問題之一在於，許多線性注意力機制讓過去存儲的信息都參與讀取。真正有用的目標可能被大量不相關內容「稀釋」，就像在一整座圖書館中尋找一句話，卻把每本書都當成同等重要。

![NTU兩項研究獲最佳論文獎，聚焦人工智慧「胡編」與長文本理解難題](https://www.shicheng.news/images/image/1793/17934870.avif?0)





## CCQ：先調整問題，再去讀取記憶



研究團隊提出**曲率條件查詢機制（Curvature-Conditioned Query，CCQ）**。它不是繼續改變模型怎樣把信息寫入記憶，而是在讀取階段調整查詢，讓模型降低高重複、高方差信息的干擾，更集中地檢索相關內容。

CCQ只修改讀取步驟，因此可以與不同線性注意力架構組合。論文報告顯示，把它接入GLA和Gated DeltaNet後，可改善語言模型困惑度、零樣本任務準確率、長上下文信息檢索、從4K到20K長度外推，以及LongBench表現。

這項研究為下一代長上下文模型提供了一條新思路：效率不一定只來自壓縮記憶或減少存儲，也可以來自讓模型學會更聰明地「提問」和讀取。

## 兩篇論文，分別解決LLM的「上層」與「底層」問題



DiscoTrace關注用戶真正看到的回答：內容如何組織、是否符合語境、不同社群怎樣定義好答案。

CCQ則深入模型內部的計算機制，研究長上下文中怎樣以更低成本檢索最相關的信息。

前者更接近語言、溝通與人類需求，後者更接近模型架構、計算效率與信息檢索。兩者一個向外理解人，一個向內改進機器。

正如Jordan Boyd-Graber教授所指出，兩種類型的研究同時在NTU開展，體現了學校在自然語言處理領域不斷增長的研究廣度。

## 獎項背後，是更實用也更懂人的AI



大語言模型下一階段的競爭，不只是參數更多、回答更長。它還需要理解不同用戶和社群的溝通習慣，在長文本中高效找到證據，並在速度、成本與準確性之間取得平衡。

NTU團隊包攬EMNLP 2026兩項最佳論文獎，正好呈現了這兩個互補方向：讓AI更懂得如何回答，也更懂得如何讀取。