ITFACD将论辩组件检测重构为生成任务，性能超现有SOTA
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
传统论辩挖掘中的组件检测多被简化为序列标注或先切分再分类的流水线。Sofiane Elguendouze等人提出ITFACD方法，利用指令微调大模型与精简提示词，把该检测重构为语言生成任务，从而直接从纯文本中识别论辩片段（如主张与前提），摆脱对预切分片段的依赖。在标准基准测试中，该方案表现优于当前最优系统。这是首批将此检测完全按生成任务建模的尝试之一，代码与数据集已在GitHub开源，论文被COLM 2026接收。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载传统ACD方法的局限
论辩组件检测是论辩挖掘的核心且极具挑战的子任务，需同时界定论辩片段的边界并将其分类为主张或前提等成分。以往研究多将此问题简化为序列标注，或采用先切分再分类的流水线架构，这些做法未能充分应对该子任务的联合处理需求，且严重依赖预先切分好的文本片段，限制了模型在原始纯文本上的端到端处理能力。
ITFACD的生成式重构
为克服上述局限，研究者提出ITFACD方案，利用指令微调大语言模型配合紧凑的指令提示词，将论辩组件检测彻底重构为语言生成任务。这一转变使模型能够直接从纯文本中提取并识别论辩成分，完全无需依赖预切分的片段输入。据作者所知，这是首批将该检测任务完全按生成式建模的尝试之一，凸显了指令微调策略在处理复杂论辩挖掘问题上的潜力。
实验结果与开源情况
在标准基准测试上的实验表明，ITFACD的性能超越了当前最先进的系统。该研究的代码及所使用的数据集已在GitHub公开，供社区复现与进一步探索。该论文已被将于2026年10月在旧金山举办的第三届语言建模年度会议（COLM 2026）接收。
为什么值得看
摆脱预切分依赖，用指令微调大模型直接生成论辩组件，为复杂论辩挖掘提供新范式且效果更优。
大模型微调基准测试论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。