企业官网建设流程全解析

文章主要内容总结

本文是CEA-LIST团队参与2025年CLEF CheckThat!实验室任务1（主观性检测）的研究成果，核心探索了大型语言模型（LLMs）在多语言主观性检测中的应用。研究通过少样本提示（few-shot prompting）技术，对比LLMs与微调小型语言模型（SLMs）的性能，发现经精心设计的提示可使LLMs在多语言场景中媲美甚至超越SLMs，尤其在数据嘈杂或标注不一致的情况下表现更优。

研究测试了多种策略：提示工程（如基础提示与详细提示的对比）、少样本学习（不同示例数量与选择策略）、多代理LLM推理（如辩论式提示），结果显示标准少样本提示效果最佳，复杂策略（如基于语义相似度的示例选择、多代理辩论）未带来显著增益。最终，该方法在CheckThat! 2025竞赛中表现优异，在阿拉伯语、波兰语中获第一，在意大利语、英语、德语等多语言赛道中进入前四，尤其在标注不一致的阿拉伯语数据集上展现出强鲁棒性，验证了LLMs在少样本学习中应对数据质量问题的优势。

创新点

1. 验证LLMs在少样本场景的优越性：首次系统证明，经合理提示的LLMs在多语言主观性检测中可媲美甚至超越传统微调SLMs，尤其适用于标注数据稀缺或不一致的场景。
2. 策略对比的新发现：通过对比提示工程、少样本示例选择（随机/相似/ dissimilar）、多代理辩论等策略，发现复杂策略增益有限，而精心设计的标准少样本提示即可达到最优性能，为LLM应用提供了简洁高效的路径。
3. 鲁棒性验证：揭示LLMs对标注噪声的强耐受性