仅用9B模型，UO-FIE拿下事实性推理评测第一，宏观效用0.8316！
UO-FIE: Combining Exact-Label Supervision with Graded Utility for Factivity Inference
📖 AI 总结
本文提出UO-FIE系统，用于FIE2026中文事实性推理任务，该任务要求将中文上下文-假设对分类到九个有序事实性区间，评测指标同时奖励精确预测与接近正确区间的预测。由于566条训练样本中64.1%属于同一类别，初步实验中mDeBERTa分类模型大多只预测主导类别，而Huber回归基线虽能给出更接近正确区间的预测，但精确匹配较少。UO-FIE通过预测九类分布，融合硬标签监督、基于效用的软目标、调度类别权重和序数损失，并采用期望效用解码与基于折外预测的序数校准。基于Qwen3.5-9B结合LoRA，该系统在微调赛道以0.8316的宏效用排名第一；另有一个基于提示的集成方法在非微调赛道以0.8450的宏效用排名第三。
🔑 关键词速览
| Factivity Inference | 事实性推理，指判断给定上下文是否蕴含或预设某个命题为事实的任务。 |
| UO-FIE | 面向效用的事实性推理系统，结合精确标签监督和分级效用进行事实性区间分类。 |
| mDeBERTa | 多语言DeBERTa模型，一种基于Transformer的预训练语言模型，常用于多语言自然语言理解任务。 |
| LoRA | 低秩适应，一种参数高效微调方法，通过低秩矩阵注入减少可训练参数。 |
| Ordinal Loss | 序数损失，用于处理有序分类问题的损失函数，考虑类别之间的顺序关系。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅