神經符號法理：在資料污染下的稅法推理比較

神經符號框架在稅法推理中顯示更佳穩健性

研究團隊指出，大型語言模型在法律推理的評估上可能因訓練資料污染而出現被高估的表現，為此建立了一套污染偵測流程以嚴格檢驗模型可靠度。

研究設計包括兩條技術路徑的比較：一是直接以單體大型語言模型處理法律問題；二是把法條轉成形式化表示，然後交由符號推理器執行推論的混合神經符號系統。作者同時建立專門測試集，透過案例與規則變體來檢驗系統對未見文件的泛化能力。

實驗結果顯示，資料污染會抬高模型在標準評估上的成績；另一方面，法律推理具有明顯的組成性，因而神經符號框架在未見情境下展現出較佳的穩健性與泛化能力。研究認為，結合形式表示與符號推理的混合架構，能為法律人工智慧提供更可靠的技術基礎，有助於減少單純以資料驅動模型所帶來的錯誤判讀風險。

延伸閱讀

• BEAVER：企業資料倉儲中 Text-to-SQL 的檢索與生成瓶頸
• 企業AI架構：以SLM與知識外部化取代單體式大型語言模型推理
• 提升 LLM 可靠性的系統化提示技巧：角色化、負向、JSON 輸出、ARQ 與多假設抽樣

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。