在CRAC 2026上缩小差距：基于LLM的多语言核心指代解析的两阶段适应
Closing the Gap at CRAC 2026: Two-Stage Adaptation for LLM-Based Multilingual Coreference Resolution
AI总结：
本文提出了一种基于LLM的多语言核心指代解析方法，通过两阶段适应策略，在CRAC 2026共享任务中取得了74.32的平均CoNLL F1分数，排名第一。
摘要：
我们提交了参加2026年计算参照、指代和核心指代（CRAC 2026）共享任务的LLM赛道的系统。在官方测试集上，我们的系统以74.32的平均CoNLL F1分数排名第一，整体排名第三。我们的系统基于Gemma-3-27b模型，通过多语言基础适配器和数据集特定适配器的两阶段策略进行微调。我们使用XML启发式的格式用头词表示提及跨度，并通过局部重新索引进行标注。这些设计选择在不同语言、文档长度和标注指南下均表现出色。
英文摘要：
We present our submission to the LLM track of the 2026 Computational Models of Reference, Anaphora and Coreference (CRAC 2026) shared task. With an average CoNLL F1 score of 74.32 on the official test set, our system ranked first in the LLM track, and third overall. Our system is based on the Gemma-3-27b model, fine-tuned using a two-stage strategy with a multilingual base adapter followed by dataset-specific adapters. We represent mention spans by their headword using an XML-inspired format with local reindexing and annotate documents iteratively. These design choices proved effective across languages, document lengths, and annotation guidelines.
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。
