System LLM-INSTRUCT zwycięża konkurs UZH Shared Task 2026 w kategorii argument mining, zajmując pierwsze miejsce w ogólnej klasyfikacji oraz w metryce F1. Zadanie wymagało klasyfikacji typu paragrafu, przewidywania podzbioru 141 oficjalnych etykiet oraz prognozowania skierowanych relacji między elementami, wszystko w ramach ścisłego schematu JSON, przy użyciu wyłącznie otwartych modeli do 8 miliardów parametrów.
Approach systemu opiera się na trzech kluczowych elementach: najpierw metadata-aware dense retrieval zawęża przestrzeń kandydujących etykiet, zmniejszając liczbę możliwych predykcji. Następnie system stosuje constrained decoding z limitami dla każdego wymiaru decyzji, co gwarantuje zgodność z ograniczeniami zadania. Tylko w przypadkach o wysokiej niepewności system eskaluje problem do trzyagentowego trybu debaty, gdzie różne agenty dyskutują nad złożonymi przypadkami. Na koniec walidowany jest wygenerowany schemat JSON.
Wyniki pokazują zdecydowaną poprawę: podczas optymalizacji konfiguracji F1 metryka na Task 1b wzrosła z 35,83 procent do 40,08 procent, jednocześnie utrzymując wewnętrzny wynik Task 2 na poziomie 4,421. Kluczowa lekcja jest prosta - ograniczenie przestrzeni decyzji przed generowaniem poprawia zarówno dokładność predykcji, jak i niezawodność całego systemu. Kod i materiały wspierające zostały udostępnione publicznie na GitHub, co umożliwia replikację i dalsze badania nad constraint-aware podejściem w NLP.