论文
在 CRAC 2026 上缩小差距：基于 LLM 的多语言共指消解的两阶段适应
Closing the Gap at CRAC 2026: Two-Stage Adaptation for LLM-Based Multilingual Coreference Resolution
摘要
我们向 2026 年参考、照应和共指计算模型 (CRAC 2026) 共享任务的 LLM 轨道提交了我们的提交内容。我们的系统在官方测试集上的 CoNLL F1 平均得分为 74.32，在 LLM 赛道上排名第一，总体排名第三。我们的系统基于 Gemma-3-27b 模型，使用两阶段策略进行微调，先是多语言基础适配器，然后是数据集特定的适配器。我们使用受 XML 启发的格式通过词头来表示提及范围，并进行本地重新索引和迭代注释文档。事实证明，这些设计选择在各种语言、文档长度和注释指南中都是有效的。