SG-UniBuc-NLP 的研究人员开发了一个用于 SemEval-2026 Task 6 的系统，该任务旨在检测英文访谈中的政治问题规避。他们的方法利用了多头 RoBERTa 模型结合分块策略来处理超出 Transformer 编码器标准 512 标记限制的响应。该系统在粗粒度清晰度子任务上取得了 0.80 的 Macro-F1 分数，在细粒度规避策略子任务上取得了 0.51 的分数，在两项任务中均获得第 11 名。 AI
影响 提出了一种处理 NLP 任务中长上下文的新方法，有可能提高在类似分类挑战中的性能。
排序理由 详细介绍在竞赛特定 NLP 任务中系统的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2604.26375v1 Announce Type: new Abstract: We describe our system for SemEval-2026 Task 6 (CLARITY: Unmasking Political Question Evasions), which classifies English political interview responses by coarse-grained clarity (3-way) and fine-grained evasion strategy (9-way). Sin…
We describe our system for SemEval-2026 Task 6 (CLARITY: Unmasking Political Question Evasions), which classifies English political interview responses by coarse-grained clarity (3-way) and fine-grained evasion strategy (9-way). Since responses frequently exceed the 512-token lim…