深度分析
EP‑HUBO:以量子啟發的高階二元最佳化提升法律推理準確度
大型語言模型在法律等證據密集領域仍易出錯,研究提出EP‑HUBO將鏈式思考痕跡之證據片段視為組合最佳化問題,利用相關性、特異性與獨特性加權於高階二元優化,並以前沿模型一次裁決。實驗顯示在MMLU‑Pro法律與LEXam基準上,EP‑HUBO較多數投票提升12.6至23.2個百分點,並減少模型偏好。
深度分析
大型語言模型在法律等證據密集領域仍易出錯,研究提出EP‑HUBO將鏈式思考痕跡之證據片段視為組合最佳化問題,利用相關性、特異性與獨特性加權於高階二元優化,並以前沿模型一次裁決。實驗顯示在MMLU‑Pro法律與LEXam基準上,EP‑HUBO較多數投票提升12.6至23.2個百分點,並減少模型偏好。
速報
研究指出大型語言模型在法律推理上可能受訓練資料污染扭曲。作者設計污染偵測流程與專門測試集,比較純模型與把法條轉為形式表示、交由符號推理器處理的混合架構。結果顯示污染會抬高評估成績,而神經符號框架在未見文件上更穩健且泛化較佳。此研究對法律人工智慧評估方法帶來重要提醒。