HNR-DAC: Hard-Negative Reranking and Distribution-Aligned Classification for Scientific Claim Verification
HNR-DAC 是一个用于科学声明验证的两阶段框架，包含硬负样本重排序（HNR）和分布对齐分类（DAC）。在 NLPCC 2026 Task 10 Track 2 上，最终配置获得 97.21% Hit@3、95.79% Macro-F1、94.47% Joint@3 和 95.13% 平均分，官方排行榜排名第三，同时取得最高总体 Macro-F1 93.05%。
发展脉络
- 首次出现HNR-DAC: Hard-Negative Reranking and Distribution-Aligned Classification for Scientific Claim VerificationarXiv cs.CL
- 当前判断科学声明验证是 AI 辅助科研的重要环节，HNR-DAC 在 NLPCC 2026 竞赛中取得领先成绩，表明该方向的研究正在快速推进。可验证的下一信号是该方法是否被集成到学术搜索或文献综述工具中。Agent Pulse · 分析
HNR-DAC 论文提出了一种针对科学声明验证的两阶段框架，解决两个挑战：论文内干扰项与真实证据相似，以及分类器在训练时使用金标准证据但在推理时面对检索证据。HNR 阶段使用基础重排序器在非金标准段落上的分数量化证据混淆度，并对比金标准证据与最易混淆的候选。DAC 阶段使用冻结的 HNR 产生的 Top-1 段落进行训练，与推理输入分布对齐，同时 HNR 的 Top-3 段落标识符作为证据输出。在 NLPCC 2026 Task 10 Track 2 上，最终配置获得 97.21% Hit@3、95.79% Macro-F1、94.47% Joint@3 和 95.13% 平均分，官方排行榜排名第三，同时取得最高总体 Macro-F1 93.05%。
HNR-DAC 的核心思想是训练与推理分布对齐：通过硬负样本重排序模拟推理时的检索证据分布，并用该分布训练分类器。这提示证据检索与分类的联合优化可能比单独优化更有效。可验证的下一信号是该方法在其他科学声明验证基准或任务上的表现，以及是否被后续工作采用。
科学声明验证是 AI 辅助科研的重要环节，HNR-DAC 在 NLPCC 2026 竞赛中取得领先成绩，表明该方向的研究正在快速推进。可验证的下一信号是该方法是否被集成到学术搜索或文献综述工具中。
对于构建科研文献分析工具的公司，HNR-DAC 提供了一种提高声明验证准确性的方法，可能提升产品在学术搜索、文献综述或事实核查场景的竞争力。可验证的下一信号是相关产品是否采用该方法并报告性能提升。
HNR-DAC 的分布对齐思想可能推广到其他检索增强生成任务，如开放域问答或事实核查。可验证的下一信号是该方法在更广泛任务上的应用或改进。