CLaC 在 SemEval-2026 Task 6：政治话语中的响应清晰度检测

本文介绍我们系统用于 SemEval-2026 Task 6(CLARITY)中关于美国总统采访问答对中响应清晰度和回避检测的系统，比较微调编码器与基于提示的大语言模型。我们的 LLM 集成在 3 分类任务 1(9/41)上取得 80 个 macro-F1，在 9 分类任务 2(3/33)上取得 59 分。经过四阶段管道优化的 8 个变换器编码器中，部分编码器层解冻显著优于完全微调。将英文和多语言编码器组合进一步提升了集成性能，尽管多语言模型在单个模型上表现较弱。基于提示的 LLM 在无任何任务特定参数更新的情况下超越微调编码器，尤其在少数类别方面表现更佳；在开源 LLM 中，参数规模并不预测性能。丰富的输入（拼接完整的提问方发言）提升了 LLM 性能，但对编码器帮助不大，这一现象即使在 Longformer 扩展上下文窗口后仍如此，暗示在我们的实验设置下，序列长度容量并非性能差异的根本原因。Clear Reply/Ambivalent 边界仍为主要错误模式，反映了人类标注者之间的一致性不足。我们的代码、提示、模型配置和结果已公开。