LLM-INSTRUCT 在 UZH 共享任务 2026：段落级参数挖掘的约束感知检索和选择性辩论

我们展示了 LLM-INSTRUCT，这是 2026 年 ArgMining 上 UZH 共享任务的获奖系统，该任务涉及联合国和教科文组织决议中的段落级参数挖掘。该任务需要段落类型分类、141 个官方标签的子集预测以及仅使用最多 8B 参数的开放权重模型在严格的 JSON 模式设置下进行定向关系预测。我们将任务定义为受限结构化预测。该系统首先通过元数据感知密集检索来缩小候选标签空间，然后应用具有每维上限的约束解码，仅将不确定的情况升级到三代理辩论分支，最后验证输出模式。在官方排行榜上，LLM-INSTRUCT综合排名第一，其中F1排名第一，LLM-as-a-Judge排名第五。在开发过程中，我们的配置搜索进一步将任务 1b Micro-F1 从 35.83% 提高到 40.08%，同时将内部任务 2 得分保持在 4.421。主要的教训很简单：在生成之前减少决策空间可以提高准确性和提交的稳健性。我们的代码和支持脚本可公开获取：https://github.com/LLM-Instruct-at-UZH-Shared-Task-2026/Method