我们介绍了LLM-INSTRUCT，这是在2026年ArgMining的UZH共享任务中获胜的系统，专注于联合国和联合国教科文组织决议的段落级论证挖掘。该任务要求进行段落类型分类、预测141个官方标签的子集，并在严格的JSON架构设置下进行有向关系预测，使用的仅是最大8B参数的开放权重模型。
我们将该任务框架化为受限结构化预测。系统首先通过元数据感知的密集检索缩小候选标签空间，然后应用具有每维度上限的受限解码，仅将不确定的情况升级到三方讨论分支，最后验证输出架构。在官方排行榜上，LLM-INSTRUCT整体排名第一，F1得分第一，LLM作为评审的得分第五。在开发过程中，我们的配置搜索进一步将任务1b的Micro-F1从35.83%提高到40.08%，同时保持任务2的内部得分在4.421。主要经验教训很简单：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已公开发布，地址为：LLM-INSTRUCT GitHub。
博主点评： LLM-INSTRUCT通过元数据感知的检索和受限解码技术，展现了在段落级论证挖掘的高效性与准确性，为相关领域的研究提供了重要的参考和借鉴。其方法论值得其他任务借鉴，尤其是在处理复杂结构化数据时。