幽默生成一直是自然語言處理中的一個難題。它不僅要求模型能夠產生流暢、新穎的笑話，更棘手的是，“有趣”這一屬性高度依賴於受眾：不同羣體、不同語境乃至不同文化背景下，笑點可能截然不同。此外，人工標註者之間的分歧往往很大，導致監督信號充滿噪聲。為了推動這一領域的發展，SemEval-2026設置了任務1（MWAHAHA），其核心是在顯式約束下生成幽默，並通過1對1的競技場式人工偏好比較來評估各系統的表現。
針對這一挑戰，來自研究團隊的“lmfaoooo”系統提出了一種“先生成再擇優”的策略。在第一階段，系統利用多步提示、模型集成以及多樣性解碼技術，為每個輸入實例生成一個多樣化的候選池。在第二階段，系統採用一個偏好模型來對候選進行排序——該模型並不直接學習絕對的幽默程度，而是從人類對兩兩候選的比較判斷中學習，從而模擬“讀者”的真實偏好。這種方法的核心優勢在於，它能夠繞過標註噪聲問題，直接利用相對比較信號進行訓練。
為了支撐這一方法，研究團隊通過Humor Arena原型收集並公開了2,500條人工成對判斷數據。此外，他們還提出了一種可解釋的流程，能夠將標註的比較結果轉換為偏好模型。在三個不同的偏好數據集上，該模型一致優於基線，並展現出更強的跨領域遷移能力。最終，訓練好的偏好模型被應用於MWAHAHA場景的候選排序，同時團隊還公開了中間產物（候選池和排序結果），以促進後續研究。
在最終評測中，lmfaoooo系統在英語和中文子任務中均斬獲第一名，在西班牙語子任務中獲得第二名。這一結果充分驗證了偏好建模在幽默生成中的有效性，也為未來在更具挑戰性的受眾自適應幽默生成任務提供了新的思路。