最新

我们正在试验一种用于自动化裁决的架构，它不依赖于规则库或统计预测。它没有像“if-else”规则那样对法律进行编码，也没有在过去的案例上训练模型，而是将抽象的法律推理建模为一个元算法：一个控制层，它协调几个异构组件——硬编码逻辑、数值建模以及由大型语言模型（LLM）执行的结构化自然语言程序。 核心思想是，法律推理的结构（运行哪些阶段、如何选择和解释规范、如何平衡相互冲突的利益、何时修改之前的结论）是用强类型的伪代码/元语言来表达的。这个元算法的某些部分直接用代码实现（程序检查、基本资格、图更新），某些是数学的（效用、均衡、模糊不确定性），还有一些是用自然语言编写的高级指令，LLM在严格的约束下对其进行解释。在这种设置中，LLM不是结果的预测器，而是给定程序脚本的解释器。 该系统不依赖案例法进行训练，也不试图“预测”法院。它重建了推理流程本身：从提取当事人的事实叙述和证据结构，到规范选择和加权，再到生成一个可以在内部操作图中一步一步追溯的决定。通过交换规范包，相同的元算法可以适用于不同的司法管辖区；到目前为止，我们已经在一些国际和国内争议中对其进行了测试。 这里有一个早期的公开演示： https://portal.judgeai.space/ 如果您上传一份小的索赔声明和一份答复，引擎将运行完整的流程并输出一个结构化的判决文档。 我们非常感谢从事混合符号/语义系统、“LLM作为解释器”架构或复杂决策形式化模型工作的人的反馈。我们目前面临的明显开放性问题是：如何最好地测试这种元控制的失效模式，使用什么形式化工具来检查推理图的一致性，以及在达到严格的理论极限之前，这种方法可以推进到什么程度。