幽默生成一直是自然语言处理中的难题，不仅因为要生成流畅、新颖的笑话本身就不容易，还因为“好笑”与否高度依赖受众，监督信号也充满噪声——不同受众、语境和文化下的偏好各异，标注者之间的一致性往往很低。针对这些挑战，Alexey Tikhonov 和 Alexey Ivanov 在论文《lmfaoooo at SemEval-2026 Task 1: Humor Is an Audience. Preference Modeling for Constrained Humor Generation》中描述了他们在 SemEval-2026 任务1（MWAHAHA）上的参赛系统。该任务聚焦于在显式约束下生成幽默内容，并通过一对一竞技场式的人类偏好判断来评估提交系统。
研究团队采用了一种“生成多候选，再选最优”的策略。第一阶段，他们利用多步提示、模型集成和面向多样性的解码方法，为每个实例生成一个多样化的候选池。第二阶段，他们使用偏好模型来挑选输出，该模型通过学习人类比较结果来近似一个“读者”，而不是依赖绝对的幽默分数。为了支撑这一方法，团队通过 Humor Arena 原型收集并发布了 2.5K 对人类成对判断数据。他们还提出了一个可解释的流水线，将标注的比较转化为偏好模型。在三个偏好数据集上的实验表明，他们的模型始终优于基线，并展现出更强的跨域迁移能力。
最后，团队将学习到的偏好模型应用于 MWAHAHA 场景中的候选排序，并发布了中间产物（候选池和排序结果）以促进后续研究。该系统在 MWAHAHA 的英语和中文子任务中排名第一，在西班牙语子任务中排名第二。论文共 5 页，已被 SEMEVAL 2026 接收。
这项工作的重要意义在于，它将幽默生成视为一个受众依赖的偏好学习问题，而非简单的目标优化。通过发布人类成对判断数据和可解释流水线，它为后续研究提供了可复现的基准和资源。同时，在多个语言子任务上的优异成绩也证明了偏好建模方法在跨文化幽默生成中的有效性。