MLNLP 2026学术研讨会 是由 MLNLP社区、中国中文信息学会青年工作委员会 和 中国中文信息学会大模型与生成专业委员会联合举办的学术活动。社区会定期举办学术研讨会并邀请国内外机器学习与自然语言处理领域知名青年学者进行报告交流，旨在加强国内外学者之间的交流。

MLNLP社区将在10月25日于线上举办第四十五次学术研讨会，由MLNLP学术委员齐鲁工业大学（山东省科学院）特聘教授司加胜和苏州大学计算机科学与技术学院副教授龚晨共同担任本期程序委员会主席。本期研讨会分为上下两半场：上半场由司加胜主持；下半场由龚晨主持。具体而言，社区很荣幸邀请到上海人工智能实验室青年研究员朱桐，中国科学技术大学计算机学院博士后研究员郑值，英国伦敦国王学院博士后研究员张林海，南京航空航天大学计算机学院研究员陈想做专题报告。

• 召开时间：

• 2026年10月25日 9:00-12:00（北京时间）

• 主办单位：

• MLNLP社区

• 中国中文信息学会青年工作委员会

• 中国中文信息学会大模型与生成专业委员会

• 协办单位：

• 中国人工智能学会多语种智能信息处理专委学生工作组

• 战略合作伙伴：

• 腾讯

• 程序委员会主席：

• 司加胜：齐鲁工业大学（山东省科学院）特聘教授

• 龚晨：苏州大学计算机科学与技术学院副教授

• 组委会：

• 司加胜、龚晨、张宸源、王奕辰

• 直播平台：

• 哔哩哔哩：http://live.bilibili.com/23872620

• 微信视频号：请点击下方卡片预约

  
  

  
  

一、主持人：

司加胜

齐鲁工业大学（山东省科学院）特聘教授

嘉宾简介：司加胜，齐鲁工业大学（山东省科学院）特聘教授，山东省泰山学者。研究方向聚焦于虚假信息检测、社会模拟、医疗大模型等，主持国家级、省部级项目多项，在ACL、KDD等国内外顶级期刊会议发表论文30余篇。研究曾获ACL 2024 Outstanding Award, ACL 2024 SAC Award, ACL 2026 SAC Highlight Award，ACM济南学术新星、山东省人工智能学会优秀青年奖等。现任中国中文信息学会青年工作委员会执行委员、MLNLP学术委员、山东省人工智能学会理事等。

龚晨

苏州大学计算机科学与技术学院副教授

嘉宾简介：龚晨，苏州大学计算机科学与技术学院副教授。主要研究方向为自然语言处理，包括多模态内容理解、自然语言结构分析等。在国内外顶级期刊会议发表论文30余篇，主持国家自然科学基金项目、江苏省高校面上项目等。获苏州市人工智能科学技术奖一等奖，入选苏州市科协青年科技人才托举工程。现任中国中文信息学会青年工作委员会执行委员，MLNLP学术委员，中国中文信息学会大模型与生成专委会委员等。

二、分享嘉宾：

朱桐

上海人工智能实验室青年研究员

嘉宾简介：朱桐，上海人工智能实验室青年研究员。博士毕业于苏州大学，在校期间主要关注如何在BERT上面做通用信息抽取，工作后致力于大模型MoE结构的探索。发表CCF推荐期刊会议论文25篇，曾获ICLR'25 SCOPE Workshop杰出论文提名、ACL'26杰出论文奖。

报告题目：Intern-Decision：面向实时决策的多模态小脑

报告简介：交互式智能体需要在有限动作、标签或序数结果中反复做选择，而每次生成自由文本回复既增加时延，也让模型与环境的接口变得复杂。本报告介绍 Intern-Decision，一组 0.8B、2B、4B 的多模态决策模型，能够从文本及可选图像输入直接输出结构化选项与候选概率。方法上，团队使用自回归掩码语言建模目标，在完整的助手 JSON 骨架中为每个决策字段放置占位符，真值符号仅出现在监督信号里，所有字段可在一次因果前向传播中完成求值，并复用骨干模型原生的 LM head。实验中，4B 模型在七套评测上取得 90.02% 的未加权平均准确率，优于 Jev v1.13.0 的 88.74%，且在单卡 RTX 4090 上三字段请求的平均时延仅约 44 ms；温度缩放与基于置信度的模型交接机制还能进一步改善校准质量与困难子集准确率。报告还将展示游戏、视觉界面与浏览器场景下的定性演示，并讨论紧凑型决策模型如何作为大型 agent 系统中的实用组件。

郑值

中国科学技术大学计算机学院博士后研究员

嘉宾简介：郑值，中国科学技术大学计算机学院博士后研究员，本硕博均毕业于中国科学技术大学。围绕大模型智能体、推荐系统等领域在国内外重要学术期刊和会议上发表论文50余篇，其中第一/通讯作者论文40余篇。曾获得2025年度中国中文信息学会博士学位论文激励计划、2025年度博士后创新人才支持计划、小米青年学者、COLING 2025 Outstanding Paper Award等奖项，主持国家自然科学基金青年基金（C类）、中国博士后科学基金面上资助、校青年创新基金等项目。现任安徽省人工智能学会大模型专委会秘书长、中国中文信息学会青年工作委员会委员、中国人工智能学会青年工作委员会委员、中国计算机学会自然语言处理专委会委员。

报告题目：认知智能驱动的高效鲁棒大模型智能体

报告简介：近年来，随着大语言模型能力不断提升，大模型智能体逐渐成为人工智能的重要发展方向。相比传统大模型主要进行单轮理解与生成，智能体能够围绕目标持续进行规划、行动、观察和反馈，并主动调用网页、代码、数据库及各类工具，从“回答问题”进一步走向“自主完成任务”。然而，随着任务复杂度和自主执行轮次不断增加，智能体也面临执行开销高、多智能体协作难以及安全可信性不足等问题。本报告围绕“认知智能驱动的高效鲁棒大模型智能体”展开，重点介绍团队在智能体高效记忆、高效协作、可信交互等方面的研究进展，探索如何提升智能体任务执行效率、协作能力和交互可靠性，推动大模型智能体向长期化、规模化和可信应用发展。

张林海

英国伦敦国王学院博士后研究员

嘉宾简介：张林海，英国伦敦国王学院博士后研究员。博士毕业于东南大学，主要从事自然语言处理、大语言模型与智能体研究，致力于以统计学方法论构建可信大模型关键技术体系，并在教育、医疗等高风险领域落地验证；作为核心研究人员参与英国EPSRC与Innovate UK资助的多项可信人工智能项目。其在ACL、AAAI、NeurIPS、ICML等国际顶级会议和期刊发表论文39篇。研究成果曾获英国UKRI与Responsible AI UK主办的AI & Robotics Research Awards 2026最佳研究论文奖，并入选ACL 2026 SAC Highlight。目前研究聚焦于大模型个性化、个性化智能体及其应用等方向。

报告题目：从个人智能到群体智能：大模型个性化的演进与群体智能助手的挑战

报告简介：大语言模型的个性化研究长期建立在“一个用户、一个模型、一份记忆”的假设之上。本报告首先回顾个性化大模型的研究进展，并结合报告人的系列工作，介绍在输入、模型与输出三个层面上的探索。随着个性化技术的成熟与智能体的实际落地，服务场景正自然地由单个用户扩展到群体：助手越来越多地进入群聊、家庭与团队之中，面对的不再是一个人的偏好与历史，而是多名成员共同构成的信息环境。围绕这一设定，我们基于真实群聊构建了面向群体的记忆评测，沿任务形式（记忆回忆/记忆使用）及任务场景（单用户/多用户/带有冲突信息的多用户）两个正交维度组织任务。对前沿模型、检索方法与记忆系统的评测表明：最新的记忆系统在回忆上已可追平长上下文，但在使用上仍存在显著差距，且随场景趋于复杂而进一步恶化。这说明仅以回忆衡量记忆会高估其对群体的价值，群体场景下的记忆系统需要在“用得对”而非“记得住”上继续推进。

陈想

南京航空航天大学计算机学院研究员

嘉宾简介：陈想，男，南京航空航天大学计算机学院研究员，入选江苏省科协青年人才托举工程、江苏青年科技人才“U35培育”对象。主要研究方向为大模型安全与可信人工智能、自然语言处理、知识表示与推理、空天具身智能等，近年来在人工智能领域顶级会议或期刊等发表学术论文40余篇，Google Scholar引用4900余次，4篇论文入选Paper Digest评选的年度会议最具影响力论文之一，参与GitHub开源项目累计星标5千余次，曾获中国中文信息学会“博士学位论文激励计划”、CCF ODTC开源激励计划、江苏省信息技术应用学会青年科技奖、阿里巴巴优秀学术实习生等荣誉。受邀担任ACL ARR、IJCAI、NeurIPS、ACM MM、ICLR等会议的高级程序委员/领域主席。

报告题目：面向大模型工具智能体的能力感知后训练

报告简介：工具智能体通过调用外部工具完成信息检索、数据查询等复杂任务，其实际表现取决于工具使用能力与任务执行效率。然而，现有后训练过程难以充分适应模型能力的差异与变化：固定训练任务可能缺乏持续学习价值，能力受限的模型难以从复杂工具交互中获得有效学习经验，统一的推理优化难以兼顾效率与能力。针对上述挑战，本报告围绕模型能力感知，从自适应训练任务构建、教师引导的工具能力学习和高效推理优化三个层面介绍相关研究。首先，通过提出者与求解器协同进化，结合答案锚定和证据路径构建可验证问题，并根据求解表现调整训练任务。其次，依据任务反馈选择性引入教师指导，结合持续示范学习，帮助受限模型掌握复杂工具行为。最后，根据任务掌握程度协调探索与推理压缩，利用历史正确短路径约束冗余生成。相关实验表明，上述方法在所评估的任务与模型上，能够改善工具使用表现或降低推理开销。

扫描二维码进入MLNLP交流群