我们介绍了 SZED 在 ArGuard 2026 轨道 A（阿拉伯仇恨表情包检测）中的参赛方案。任务分为两部分：二分类子任务 A1 和细粒度多标签子任务 A2。
在 A1 中，我们将 MARBERTv2 的文本嵌入与 CLIP ViT‑L/14 的视觉嵌入进行跨模态融合，分别尝试了直接拼接、基于自注意力的融合以及集成多个头的方式。实验表明，自注意力融合在保持模型紧凑性的同时提升了宏观 F1 分数。
针对 A2，我们设计了多任务标签注意力结构。每个标签对应一个查询向量，用于从融合特征中抽取与该标签最相关的表示；此外，还加入了一个辅助头实现级联校准，以缓解标签分布的长尾效应。该模型在 10 个活跃标签上平均得到宏观 F1 = 0.3142。
我们对不同随机种子下的可重复性进行了统计，发现模型在 A1 上的波动小于 ±0.002，在 A2 上的波动约为 ±0.015。进一步分析每类错误模式时发现，少数出现频率极低的标签受限于训练样本，级联校准能够显著提升这些标签的召回率。
整体结果为 A1 的宏观 F1 = 0.7597，A2 的宏观 F1 = 0.3142。
点评