@inproceedings{xu-etal-2025-ccl25,
    title = "{CCL}25-Eval任务3总结报告:第五届中文抽象语义表示解析评测",
    author = "Xu, Zhixing  and
      Zhang, Yixuan  and
      Li, Bin  and
      徐静, 徐静  and
      Weiguang, Qu  and
      Zhou, Junsheng",
    editor = "Lin, Hongfei  and
      Li, Bin  and
      Tan, Hongye",
    booktitle = "Proceedings of the 24th {C}hina National Conference on Computational Linguistics ({CCL} 2025)",
    month = aug,
    year = "2025",
    address = "Jinan, China",
    publisher = "Chinese Information Processing Society of China",
    url = "https://preview.aclanthology.org/ingest-ccl/2025.ccl-2.10/",
    pages = "88--95",
    abstract = "``本文为第五届中文抽象语义表示解析评测(CAMRP 2025)的总结报告。CAMRP2025包含两个子任务:中文抽象语义表示(CAMR)句子级解析任务,和CAMR篇章共指解析任务。评测任务共有96支队伍报名,4支队伍提交结果,最终总计26份有 效 成 绩 。 哈 尔 滨 工 业 大 学 ( 深 圳 ) 团 队 在 开 放 测 试 下 , 取 得 了84.72{\%}的F值 ,为CAMRP评测系列五年来的历史最好成绩。该团队在篇章共指消解任务中同样获得了最高61.15{\%}的好成绩,相比baseline有较大提升。参赛队伍的实验结果表明,尽管基于监督微调和图聚合的策略在句子级解析任务中展现出了较好的性能,但大模型对于细粒度的篇章共指关系识别仍然存在挑战。如何有效利用CAMR结构化信息来提升大模型篇章共指解析的性能,仍是未来研究的重要方向。''"
}