semeval

本文介绍了一个面向约束幽默生成的系统，该系统采用“先生成大量候选，再择优选择”的策略，并使用从人类比较中学习到的偏好模型。在SemEval-2026任务1中，该系统在英语和中文子任务中排名第一，在西班牙语子任务中排名第二。

本文介绍了用于SemEval-2026任务7（文化意识）的DFKI-MLT系统，该系统利用来自平行FLORES数据的语言向量，对多语言大语言模型应用激活引导。该系统在多项选择题（MCQ）赛道中达到86.96%的准确率，在17支队伍中排名第7，事后分析表明，提升效果对层敏感，且在不同语言-区域对之间存在差异。

本文介绍了一个用于 SemEval-2026 任务 8 的系统，该系统采用三阶段流水线，包括使用微调后的 Qwen 模型进行查询重写、混合检索以及交叉编码器重排，以提升多轮检索的性能。

本文介绍了用于 SemEval-2026 任务 9 的 YEZE 系统，该系统利用 XLM-RoBERTa 和 mDeBERTa 模型的异构集成，检测 22 种语言中的网络极化现象。

本文介绍了SemEval-2026任务8生成子任务的获胜系统。该系统采用由七个大语言模型组成的异构集成，结合双重提示策略，并使用GPT-4o-mini作为裁判来挑选最佳响应。该系统以0.7827的条件调和平均数获得第一名，优于所有基线模型，证明了模型多样性的价值。