事实核查AI在SemEval-2025任务7：多语言和跨语言事实核查声明检索
fact check AI at SemEval-2025 Task 7: Multilingual and Crosslingual Fact-checked Claim Retrieval
AI总结：
该研究将SemEval-2025任务7的事实核查声明检索视为学习排序问题，采用双编码器模型，利用轻量级模型在Kaggle T4 GPU上训练，多语言和跨语言检索分别达到92%和80%的Success@10，分别排名第10和第5。
摘要：
SemEval-2025任务7：多语言和跨语言事实核查声明检索被当作一个学习排序任务来处理，使用从针对句子相似性优化的预训练Transformer微调的双编码器模型。训练使用了源语言及其英文翻译进行多语言检索，仅使用英文翻译进行跨语言检索。使用参数少于5亿的轻量级模型，并在Kaggle T4 GPU上训练，该方法在多语言检索中实现了92%的Success@10，在跨语言检索中实现了80%的Success@10，在跨语言赛道中排名第5，在多语言赛道中排名第10。
英文摘要：
SemEval-2025 Task 7: Multilingual and Crosslingual Fact-Checked Claim Retrieval is approached as a Learning-to-Rank task using a bi-encoder model fine-tuned from a pre-trained transformer optimized for sentence similarity. Training used both the source languages and their English translations for multilingual retrieval and only English translations for cross-lingual retrieval. Using lightweight models with fewer than 500M parameters and training on Kaggle T4 GPUs, the method achieved 92% Success@10 in multilingual and 80% Success@10 in 5th in crosslingual and 10th in multilingual tracks.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
