CLEF 2026赛道简介:PAN、FinMMEval、CheckThat!(上)

简介: CLEF 2026竞赛包含16个赛道,本文分上下两部分介绍其中的3个赛道:PAN、FinMMEval和CheckThat!

CLEF(Conference and Labs of the Evaluation Forum)协会起源于欧洲,近年来每年发起CLEF会议及竞赛,吸引了来自世界各地的参会者和参赛者。

CLEF会议及竞赛的主题侧重于多语种、多模态信息系统的研究、调优与评估。CLEF竞赛的结果在当年的CLEF会议上进行总结。

来自中国的多个团队曾多次在CLEF竞赛中取得优异成绩!

今年的CLEF竞赛包含16个赛道,各赛道的赛题已经公布。多数赛道的参赛报名截止于今年4月份;对竞赛结果的总结将于9月下旬在德国城市Jena(耶拿)召开的CLEF会议上进行[1]。

接下来将简要介绍今年CLEF竞赛中的3个赛道:PAN、FinMMEval和CheckThat!

PAN

PAN这一赛道的历史可以追溯至2007年;该赛道侧重文本风格分析与文本取证方面的评测。今年的PAN赛道设立了五个细分赛道(又称“Shared Tasks”)[2]。

细分赛道1、Voight-Kampff生成式AI检测‌(Voight-Kampff Generative AI Detection)。Voight-Kampff一词源于科幻电影《Blade Runner》;在影片中,Voight-Kampff测试用于区分一个人是真人还是复制人(一种合成的、在外表和行为上与人类高度相似的生物)。Voight-Kampff测试有点类似于图灵测试。

“Voight-Kampff生成式AI检测‌”这一细分赛道要求参赛系统针对给出的文本,检测文本是否由AI生成;在被检测的文本中,AI生成的文本会由AI试图消除AI生成的特征。

细分赛道2、文本水印‌(Text Watermarking)。不少AI公司在大语言模型的输出中嵌入水印(即可检测的特征)。这种做法推动了针对水印的新的研究以及水印技术的创新[3]。在这种背景下,PAN赛道设立了“文本水印‌”这一细分赛道。

该细分赛道要求参赛系统先为给出的文本加水印,然后将加了水印的文本由竞赛组织方进行修改(即攻击),以尝试破坏文本的水印;修改后的文本返回至参赛系统的水印检测算法,以检测文本中是否存在水印。该细分赛道旨在评测水印的隐蔽性及其对于文本修改的鲁棒性。

细分赛道3、多作者写作风格分析‌(Multi-author Writing Style Analysis),要求参赛系统针对给出的文本,识别出所有写作风格出现变化的位置。

细分赛道4、生成式抄袭检测‌(Generative Plagiarism Detection),包含两个子任务。

  • 子任务1、源文档检索‌:针对一个可疑文档和多个可能的源文档,自动识别出可疑文档所抄袭的所有源文档。
  • 子任务2、文本对齐‌:将可疑文档中抄袭来的段落与源文档中被抄袭的段落自动对齐。一个抄袭来的段落可能对应于多个源段落(合并抄袭),多个抄袭来的段落也可能对应于一个源段落(扩展抄袭)。

细分赛道5、推理轨迹检测‌(Reasoning Trajectory Detection)。LLM的显式推理可以提高LLM回答的整体质量和安全性。然而,虚假的、不合逻辑的、以及不安全的中间推理可能导致错误或有害的回答。此外,欺骗性的、以及未对齐的中间推理也可能产生安全的回答。

为了加深对LLM推理的理解,减少不安全的推理,“推理轨迹检测‌”细分赛道设立了以下两个子任务。

  • 子任务1、来源检测‌:针对给出的(用户提问、推理轨迹、最终答案)三元组,自动识别出其中的推理轨迹和最终答案是由AI生成还是由人类撰写的。该子任务的目的是对人类和模型的推理风格及认知结构进行深入的比较,为模型对齐和推理训练策略提供更多参考。
  • 子任务2、安全性检测‌:在给出的(用户提问、推理轨迹、最终答案)三元组中,用户提问分为三种类型——(1)寻求有害内容的提问、(2)越狱攻击(Jailbreak Attacks)、(3)含有风险Token的提问。该子任务要求参赛系统针对这样的三元组,判断三元组中的推理轨迹和最终答案是否安全。


【未完待续】


参考文献

[1] https://www.clef-initiative.eu/

[2] Overview of PAN 2026: Voight-Kampff Generative AI Detection, Text Watermarking, Multi-Author Writing Style Analysis, Generative Plagiarism Detection, and Reasoning Trajectory Detection
https://arxiv.org/abs/2602.09147
使用许可协议:CC BY 4.0
https://creativecommons.org/licenses/by/4.0/

[3] https://pan.webis.de/clef26/pan26-web/text-watermarking.html#related-work


封面图:CLEF 2026会议的主办地德国Jena(耶拿);图片由Bruno Joseph和pexels.com提供

目录
相关文章
|
6月前
|
人工智能 自然语言处理 语音技术
CLEF 2026赛道简介:PAN、FinMMEval、CheckThat!(下)
CLEF 2026竞赛包含16个赛道,本文的下半部分简要介绍其中的FinMMEval和CheckThat!赛道
441 5
|
6月前
|
人工智能 安全 API
“小龙虾”OpenClaw 进阶保姆级教程!阿里云/本地部署、百炼Coding Plan API配置+常见Skills安装指南
OpenClaw(昵称“小龙虾”,曾用名Clawdbot、Moltbot)作为2026年热门的开源AI智能体工具,核心价值在于通过Skills(技能插件)扩展实际任务执行能力。默认状态下的OpenClaw仅能满足基础聊天需求,而合理配置部署环境、安装适配Skills、对接AI模型API后,它可实现自动化办公、全网检索、代码管理等多样化功能,真正成为“能做事的AI管家”。
2834 5
|
6月前
|
人工智能 安全 API
从零到一玩转 OpenClaw:1分钟部署、阿里云百炼API配置与 Skills 拓展及问题解答
OpenClaw(前身为Clawdbot、Moltbot)作为2026年热门的开源AI自动化工具,凭借自然语言驱动、多场景适配的核心优势,在个人办公与中小企业协同中得到广泛应用。很多用户部署后发现其仅能满足基础交互需求,核心原因在于未配置针对性的Skills(技能插件)。本文将完整覆盖本地多系统(MacOS/Linux/Windows11)部署、阿里云云端部署、阿里云百炼API配置、Skills安装与分类推荐、常见问题排查等核心内容,所有操作步骤均经过实测验证,代码可直接复制使用,帮助用户快速搭建功能完善的OpenClaw环境。
836 4
|
3月前
|
Oracle Java 编译器
【全网最详细】Java JDK下载、安装配置和使用图文教程(从零搭建,2026最新)
JDK是Java开发必备工具包,含编译器、运行环境及开发工具。推荐使用LTS版JDK 25(稳定可靠)或JDK 26(新特性丰富)。本文详解下载、安装、环境变量配置及首个程序运行全流程,零基础也能快速上手。(239字)
|
11月前
|
存储 前端开发 Java
基于Spring AI Alibaba 的 DeepResearch 架构与实践
基于SpringAI Alibaba Graph构建的Java版DeepResearch系统,实现信息搜集、分析到结构化报告生成的全自动流程。支持多轮推理、RAG检索、MCP扩展、可观测性及可溯源输出,集成主流搜索工具与多种数据源,具备高可扩展性与企业级应用能力。
基于Spring AI Alibaba 的 DeepResearch 架构与实践
|
机器学习/深度学习 监控 数据可视化
人体跌倒识别检测项目|全流程源码+数据集+可视化界面+一键训练部署
本项目基于 YOLOv8 模型和 PyQt5 图形界面工具,构建了一个 人体跌倒识别系统,旨在通过计算机视觉技术监测老年人等群体的跌倒行为。项目提供了完整的 源码、数据集、训练流程、以及开箱即用的检测程序,确保用户能够快速搭建并部署自己的跌倒识别系统。
人体跌倒识别检测项目|全流程源码+数据集+可视化界面+一键训练部署
|
机器学习/深度学习 数据采集 算法
PCB电路板缺陷检测数据集(近千张图片已划分、已标注)| 适用于YOLO系列深度学习检测任务【数据集分享】
在现代电子制造中,印刷电路板(PCB)是几乎所有电子设备的核心组成部分。随着PCB设计复杂度不断增加,人工检测PCB缺陷不仅效率低,而且容易漏检或误判。因此,利用计算机视觉和深度学习技术对PCB缺陷进行自动检测成为行业发展的必然趋势。
PCB电路板缺陷检测数据集(近千张图片已划分、已标注)| 适用于YOLO系列深度学习检测任务【数据集分享】
|
存储 人工智能 算法
路径规划最全综述+代码+可视化绘图(Dijkstra算法+A*算法+RRT算法等)-1
路径规划最全综述+代码+可视化绘图(Dijkstra算法+A*算法+RRT算法等)-1
|
机器学习/深度学习 自然语言处理 PyTorch
PyTorch 中的动态图与静态图:理解它们的区别及其应用场景
【8月更文第29天】深度学习框架中的计算图是构建和训练神经网络的基础。PyTorch 支持两种类型的计算图:动态图和静态图。本文旨在阐述这两种计算图的区别、各自的优缺点以及它们在不同场景下的应用。
4336 0

热门文章

最新文章