저자들은 SemEval-2026 Task 1을 위한 시스템인 RAGthoven을 제시했습니다. 이는 계산적 유머 이론에 기반하여 창의적 텍스트 생성을 다단계 대규모 언어 모델 파이프라인으로 분해합니다. 최종 구성은 큐레이션된 농담 코퍼스로부터의 검색 증강 생성(RAG)을 플래너에 추가하고, 에이전트형 변형을 비에이전트형 베이스라인과 비교 평가합니다.

  • RAGthoven은 영어, 스페인어, 중국어에서 Gemini 2.5 Flash 베이스라인과 함께 1위를 공유하며, 신뢰 구간이 겹칩니다.
  • 스페인어에서는 순수 에로 포인트로 베이스라인을 42점 앞서고 있습니다(1182 대 1140).
  • 영어(1045 대 1081) 및 중국어(1045 대 1053)에서는 동일한 통계적 동점 내에서 베이스라인이 더 높은 순수 평점을 유지합니다.
  • ReAct 스타일의 도구 호출 또는 자율 오케스트레이션을 사용하는 에이전트형 변체는 더 높은 도구 호출 예산에도 불구하고 더 우수한 출력을 생성하지 못했습니다.

이 결과는 강력한 프론티어 모델이 루프에 있을 때 정교한 다단계 프롬프트 엔지니어링 및 에이전트형 구조화에서 언어 의존적인 체감 수익이 발생함을 시사합니다.