本文介绍了 HSA_CORAL 团队参加 FinCausal 2026 共享任务的系统方案。该任务聚焦于从金融叙述文本中抽取因果关系，并将其转化为抽取式问答问题，覆盖英语和西班牙语两种语言。论文作者为 Akash Kumar Gautam 等三人，提交时间为 2026 年 6 月 25 日，成果收录于 LREC 2026 会议期间举行的第七届金融叙事处理研讨会（FNP 2026）论文集，页码为 132 至 138。
在研究设计上，团队系统比较了三类建模路线。第一类是仅编码器架构的 token 标注方法，采用多语言 BERT；第二类是编码器-解码器架构的生成式方法，采用多语言 BART；第三类是仅解码器架构的大语言模型，包括 Llama 3.1 以及 GPT 系列变体，并分别尝试了提示词优化、少样本示例和监督微调等不同策略。这样的对照设置使得团队能够在统一任务框架下评估不同模型族的表现差异。
实验结果显示，提示工程与少样本示例在各类设置下都能取得具有竞争力的表现，但监督微调带来的提升最为显著。团队的最佳系统是 GPT-4.1 Mini，在英语和西班牙语训练数据合并后进行微调。在共享任务采用的“大模型作为评审”（LLM-as-a-judge）评价指标下，该系统在英语子任务上获得 4.8140 分，与其他队伍并列最高；在西班牙语子任务上获得 4.7753 分，排名第三。
作者在结论中强调，任务特定的适配以及多语言微调对于金融因果问答中的跨语言迁移具有重要价值。换言之，仅依靠通用大模型的提示能力虽然可行，但要在这一专业领域取得领先成绩，针对任务进行监督微调、并利用多语言数据促进语言间的知识共享，是更有效的路径。该工作也为金融叙事理解、因果抽取以及跨语言问答等方向提供了可参考的基线和方法论。
从应用角度看，这一研究的意义在于金融文本中的因果关系往往隐含在复杂叙述中，例如财报、新闻和监管文件中关于业绩变动原因的表述。通过抽取式问答的形式将因果关系的识别转化为可评估的任务，有助于构建更透明、更可验证的金融信息分析工具。同时，英语与西班牙语的联合训练表明，多语言模型在资源不均衡的语言环境下仍能借助高资源语言的知识提升低资源语言的表现。
需要注意的是，该评估依赖共享任务设定的大模型评审指标，其得分反映的是特定评价体系下的相对表现，而非绝对的能力上限。此外，论文聚焦于英语和西班牙语两种语言，结论向其他语言或金融子领域的推广仍需进一步验证。论文的完整内容可通过 arXiv 编号 2606.27446 获取，相关代码与数据链接在论文页面亦有提供。