PulseAugur
中
实时 04:02:12
English(EN) Causal Connections: Leveraging Multilingual Fine-Tuning for Financial QA@FinCausal 2026

HSA_CORAL的GPT-4.1 Mini在FinCausal 2026金融因果任务中领先

作者 PulseAugur 编辑部 · [2 个来源] ·

一篇研究论文详细介绍了HSA_CORAL在FinCausal 2026共享任务中的方法，重点在于从金融文本中提取因果关系。该团队探索了三个模型家族：用于token标记的多语言BERT，用于生成的 ist-generation 多语言BART，以及像Llama 3.1和GPT变体这样的decoder-only LLM。他们表现最佳的系统GPT-4.1 Mini，通过利用在合并的多语言数据上的监督微调，在英语和西班牙语中取得了最高分。 AI

影响 证明了多语言微调和特定任务适应对于跨语言金融因果关系提取的有效性。

排序理由 该集群描述了一篇研究论文，其中详细介绍了提交给特定学术任务的内容，包括模型比较和性能指标。

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

HSA_CORAL的GPT-4.1 Mini在FinCausal 2026金融因果任务中领先

报道来源 [2]

  1. arXiv cs.CL TIER_1 English(EN) · Akash Kumar Gautam, Serhii Hamotskyi, Christian H\"anig ·

    因果关联：利用多语言微调进行金融问答@FinCausal 2026

    arXiv:2606.27446v1 Announce Type: new Abstract: This paper describes team HSA_CORAL's submission to the FinCausal 2026 shared task on extracting cause-effect relations from financial narratives via extractive question answering in English and Spanish. We compare three modeling fa…

  2. arXiv cs.CL TIER_1 English(EN) · Christian Hänig ·

    因果关联：利用多语言微调进行金融问答@FinCausal 2026

    This paper describes team HSA_CORAL's submission to the FinCausal 2026 shared task on extracting cause-effect relations from financial narratives via extractive question answering in English and Spanish. We compare three modeling families: (i) encoder-only token tagging with mult…

相关实体

相关话题