EMNLP（Conference on Empirical Methods in Natural Language Processing）是自然语言处理领域顶级国际会议之一，在全球NLP顶会排行榜上位居第二，其涉及领域包括但不限于机器翻译、文本生成、文本分类、信息抽取、问答系统、语言模型等研究方向。实验室研究生陈昊题为“ToolForge: A Data Synthesis Pipeline for Multi-Hop, Multi-Turn, and Self-Reflective Tool-Use Data”的论文被EMNLP2026主会录用。该论文提出了一个用于工具调用智能体的合成数据生成流水线框架。该流水线框架植入了简单的QA数据集（HotPotQA、2WikiMultiHopQA），并支持生成包括单轮/多轮工具使用以及每步单一/多工具使用的轨迹，还可生成带有错误恢复功能的轨迹，如工具误选和参数误选，并模拟好/坏检索结果以提高鲁棒性。

论文获得4分的较好评审意见，领域主席Meta Review意见：The authors show that the data they produce is useful for training models to perform well on different datasets that require tool use/retrieval. Overall the ideas in the paper can be useful for practitioners building such systems and generating data of this sort, which is a common use case nowadays.