NLP顶会投稿指南：ACL、EMNLP之外还有哪些值得关注的会议

为什么NLP研究者需要一张投稿时间地图

在自然语言处理（NLP）领域，会议论文往往比期刊更受重视——发表周期短、传播速度快，能第一时间反映领域前沿动态。这种现象在计算机科学中尤为突出：一篇期刊论文从投稿到发表往往需要6-18个月，而顶级会议的审稿周期通常只有3-4个月。事实上，计算机科学中会议论文的核心地位是一个独特的学科文化现象——在物理学、生物学等传统学科中，期刊（如Nature、Science）始终是最权威的发表渠道，会议通常只用于交流尚未成熟的研究思路。但计算机科学从1960年代起就形成了以会议为核心的发表传统，部分原因是早期计算机科学期刊数量稀少，而技术迭代速度要求更快的知识传播周期。如今，Google Scholar、Semantic Scholar等学术搜索引擎的h5指数排名显示，NeurIPS、ICML、ACL等顶会的学术影响力指标已经超过了大多数计算机科学期刊。

在大语言模型一年内可能经历数代更新的背景下，这种时间差可能意味着研究成果从"领先"变为"过时"。这并非夸张——自2017年Google发表"Attention Is All You Need"提出Transformer架构以来，NLP领域经历了前所未有的加速：BERT（2018年10月）、GPT-2（2019年2月）、GPT-3（2020年5月）、ChatGPT（2022年11月）、GPT-4（2023年3月），每一代模型都在极短时间内重塑了研究范式。Transformer的核心创新在于自注意力机制（Self-Attention），它允许模型在处理序列数据时同时关注所有位置的信息，突破了此前RNN/LSTM等序列模型必须逐步处理的瓶颈，使得模型能够高效地进行大规模并行训练，直接催生了参数量从亿级到万亿级的缩放竞赛。

此外，ACL、NeurIPS等顶级会议采用严格的同行评审和低录用率（通常15%-25%），论文质量和引用率往往不逊于顶级期刊。

最近有研究者在Reddit上提问："除了EMNLP，接下来还有哪些A*/A级别的NLP会议值得关注？"这个问题看似简单，却触及了每位NLP研究者、博士生乃至工业界工程师都需要回答的核心命题。

掌握各大NLP顶会的投稿截止时间和定位差异，你就能在合适的时间把研究成果投向最匹配的舞台。本文将系统梳理主流NLP及相关AI会议的评级、投稿周期与选择策略。

NLP领域的顶级会议全景

三大NLP核心会议（ACL系）

NLP领域公认的三大顶会均由计算语言学协会（ACL）主导，在CORE评级中属于A级别。这里提到的CORE（Computing Research and Education Association of Australasia）评级是计算机科学领域被广泛采用的会议质量评估体系，由澳大利亚计算机研究与教育协会维护，将会议分为A（旗舰级）、A（优秀）、B（良好）和C（其他认可的会议）四个等级。除CORE外，学术界也参考CCF（中国计算机学会）推荐目录、CSRankings等排名体系，不同体系对同一会议的定位可能存在差异，研究者通常需要综合判断。

三大核心会议分别是：

ACL（Annual Meeting of the ACL）：NLP领域的绝对标杆，每年年中召开，投稿截止一般在前一年冬季或当年年初。无论是理论创新还是系统应用，ACL都是最具影响力的首选平台。
EMNLP（Empirical Methods in NLP）：偏重实证方法与实验验证，每年秋季（11-12月）召开。EMNLP的投稿窗口通常在年中（5-6月左右），与ACL在时间上形成互补。
NAACL（North American Chapter of ACL）：北美分会年会，通常在春季（3-6月）召开，投稿截止多在前一年底。

这三大会议加上区域性的 EACL（欧洲分会）和 AACL（亚太分会），共同构成了ACL家族的完整版图。

值得特别关注的是，ACL目前推行 ACL Rolling Review（ARR） 机制——多个会议共享统一的滚动评审系统。ARR是ACL于2021年正式推出的革命性评审改革，其设计灵感部分来自期刊的滚动投稿模式。在传统模式下，每个会议独立组织评审，作者必须在特定截稿日前提交论文，错过即需等待下一个会议周期。ARR则将评审过程与会议解耦：作者每月15日前均可提交论文至ARR平台，由统一的评审委员会分配审稿人。评审完成后（通常需要6-8周），作者可以选择将评审结果直接"承诺"（Commit）给某个即将召开的ACL系会议，也可以根据审稿意见修改论文后重新提交获得新一轮评审，或者撤回论文转投其他渠道。这一机制在很大程度上打破了传统的"截稿日冲刺"模式，让论文打磨有了更灵活的节奏，但也带来了评审标准一致性和审稿人负担等新挑战。

与NLP高度相关的AI综合顶会

许多重要的NLP研究——尤其是涉及大语言模型（LLM）架构创新、多模态学习等方向的工作——也会投向AI/ML综合性顶会。这些会议同属A*级别，在NLP社区的认可度很高：

NeurIPS：机器学习领域旗舰会议，截稿多在5月，12月召开。大量LLM相关的基础性工作发表于此，包括Transformer架构的改进、训练方法论创新、缩放定律（Scaling Laws）研究等。缩放定律是近年来深度学习领域最具影响力的发现之一——2020年OpenAI的Kaplan等人系统揭示了模型性能（以交叉熵损失衡量）与模型参数量、训练数据量和计算预算之间存在可预测的幂律关系。2022年，DeepMind的Hoffmann等人进一步提出Chinchilla缩放定律，指出此前的大模型训练普遍存在"参数过多、数据不足"的问题，给定固定计算预算时，模型参数量和训练数据量应当同步扩展。这些定律深刻影响了工业界的模型训练策略，也引发了学术界对"智能是否只是规模问题"的深层讨论。
ICML：截稿约在1-2月，7月召开。偏重方法论与理论贡献，对数学推导和理论分析的要求较高。
ICLR：以OpenReview公开评审著称，截稿约在9-10月，次年春季召开。ICLR采用的OpenReview平台使得所有提交的论文、审稿意见、作者回复和最终决定都公开可见，审稿人的评审质量受到公众监督，研究社区也可以在评审期间对论文进行公开讨论。OpenReview平台于2013年由麻省大学阿默斯特分校的Andrew McCallum等人创立，其核心理念是通过透明化来提升评审质量。在该平台上，任何人都可以阅读审稿意见并参与讨论（虽然审稿人身份仍然匿名），这种"阳光下的评审"形成了有效的社会监督，代表了学术出版透明化的重要趋势——传统的同行评审是完全封闭的"黑箱"过程，评审质量参差不齐和个人偏见难以被发现等问题长期存在。作者可以通过浏览历年评审记录，了解审稿人对特定方向的态度和偏好。近年来ICLR接收了大量NLP方向的高质量论文，尤其是表示学习（Representation Learning）和预训练模型相关的工作。
AAAI / IJCAI：AI综合会议，AAAI截稿多在8月前后。覆盖面广，适合跨领域交叉研究。

对于偏方法论创新或关注模型架构设计的研究者来说，这些综合顶会往往是比纯NLP会议更合适的发表场所。

如何规划你的全年投稿时间线

建立年度投稿地图

将上述会议按截稿时间排列，你会发现一条几乎全年无休的投稿链条：

时间段	主要会议截稿
1-2月	ICML
5-6月	EMNLP、NeurIPS
8月	AAAI
9-10月	ICLR
冬季	ACL、NAACL

这意味着无论你在哪个月份完成研究，几乎都能找到一个即将截稿的高质量会议。对博士生来说，理解这条时间线能帮助你合理安排实验进度，避免因错过投稿窗口而被迫等待半年。需要注意的是，如果你采用ARR机制投稿，还需要额外预留6-8周的评审时间以及各会议的Commitment截止日期，因此实际的准备工作需要更早启动。

提示：以上时间为通常规律，各会议每年的具体截稿日期会有调整，务必以官方通知为准。

选会议不只看评级

虽然CORE的A*/A评级是重要参考，但选择目标会议时还需综合考虑以下因素：

主题契合度：EMNLP偏实证研究，ACL偏综合创新，CoNLL偏语言学计算建模。选择与研究方向匹配的会议，录用概率更高，审稿人也更能理解你工作的价值。例如，一项关于大规模预训练方法论改进的工作可能在NeurIPS或ICML上获得更专业的评审，而一项面向特定语言现象的计算模型研究则更适合ACL或EMNLP。
社区影响力：某些会议在特定子领域（如对话系统、机器翻译、信息抽取）拥有更集中的受众，投稿至此能获得更精准的学术反馈。例如，SIGdial专注于对话系统，WMT（Workshop on Machine Translation）是机器翻译领域的权威评测平台。
评审机制差异：ARR的滚动评审允许作者在收到审稿意见后修改并重新提交，对需要反复打磨的论文更加友好；而ICLR的公开评审则让你可以提前了解社区对类似工作的态度。传统的单轮评审机制（如AAAI、IJCAI）则要求论文在提交时就达到较高的完成度，因为作者通常只有一次有限的Rebuttal机会来回应审稿人的质疑。

给不同阶段研究者的投稿策略

科研新人：先积累再冲顶会

如果你刚进入NLP领域，不必一上来就盯着ACL或EMNLP主会这类录用率不到25%的赛道。更务实的路线是：

先尝试 Findings（ACL/EMNLP的附属发表通道），论文质量要求接近主会，但竞争压力略小。Findings是ACL于2020年首次为EMNLP引入的创新发表通道，随后扩展到ACL和NAACL等会议。其诞生背景是顶会投稿量激增——每年有数千篇论文参与竞争有限的主会名额，大量质量合格但因名额限制未被录用的论文不得不重新投稿。Findings论文同样经过严格的同行评审，收录于ACL Anthology（计算语言学领域最权威的论文数据库），拥有正式的DOI编号，在学术引用中与主会论文具有同等效力。ACL Anthology的价值不仅在于论文收录——它收藏了自1965年以来ACL系列会议和相关期刊（如Computational Linguistics、TACL）的所有论文，总量超过8万篇，全部提供免费开放获取（Open Access），并维护了标准化的作者ID系统和引用网络。这种知识开放的传统被认为是NLP领域快速发展的重要推动力之一——许多其他学科的论文仍然需要付费订阅才能阅读。Findings论文的主要区别在于通常不会获得主会的口头报告或海报展示机会，在学术社交层面的曝光度相对较低。
参加高质量的 Workshop，如ACL附属的各专题研讨会，积累同行评审经验。Workshop论文虽然在正式评级中不如主会，但能帮助你熟悉学术写作规范、评审流程，并建立学术人脉网络。
在获得反馈并改进后，再将成熟的工作投向主会。

工业界工程师：关注应用导向的发表通道

工业界更看重技术的实用性与传播效率。EMNLP、NeurIPS等会议不仅提供学术认可，其 Industry Track 和相关Workshop也是展示应用成果的理想平台。Industry Track通常对论文的要求与主会有所不同——更侧重实际部署经验、工程挑战的解决方案以及大规模系统的实践洞察，而非纯粹的理论或方法论创新。此外，AAAI的AI应用会议（IAAI）也值得关注，它专门面向人工智能的创新应用案例，要求论文展示AI技术在真实场景中的部署和效果。

总结：让研究成果找到最合适的舞台

回到最初的问题——除了EMNLP，NLP领域每年都有丰富的顶级会议可供选择。关键不在于"哪个会议排名最高"，而在于建立清晰的投稿时间线，并让你的研究成果与会议定位精准匹配。

在大语言模型飞速迭代的当下，及时将成果投向合适的舞台，比以往任何时候都更为关键。建议研究者收藏 aideadlin.es 等会议截稿追踪网站，实时掌握各大会议的最新时间安排，让自己的科研节奏始终与领域脉搏同步。aideadlin.es是AI领域最流行的会议截稿追踪工具之一，它以可视化时间轴的形式展示各大AI/ML/NLP/CV会议的截稿日期、通知日期和召开日期。除此之外，研究者常用的学术工具生态还包括：Semantic Scholar（AI驱动的论文搜索和推荐引擎，由Allen AI开发）、Papers with Code（将论文与其开源实现代码关联，方便复现）、Connected Papers（以图谱形式可视化论文之间的引用关系），以及arXiv预印本平台上每日更新的cs.CL（计算与语言）分类——这几乎是NLP研究者的"必读日报"，善用这些工具能帮助你在信息爆炸的时代保持对研究前沿的敏锐感知。

核心要点

NLP领域遵循计算机科学以会议为核心的独特发表文化，顶会论文在传播速度和学术影响力上往往优于期刊论文
ACL、EMNLP、NAACL三大ACL系会议是NLP领域的核心发表平台，ACL Rolling Review（ARR）机制为投稿提供了更灵活的时间节奏
NeurIPS、ICML、ICLR等AI综合顶会同样是NLP研究的重要发表渠道，尤其适合模型架构和方法论创新类工作
全年各大会议的截稿时间几乎覆盖每个月份，研究者应建立年度投稿地图来合理规划科研节奏
选择目标会议需综合考虑主题契合度、社区影响力和评审机制差异，而非仅看评级排名
科研新人可从Findings和Workshop起步积累经验，工业界工程师应关注Industry Track等应用导向发表通道