Legal Research Bench：评估长程法律研究智能体可靠性
原文标题：Legal Research Bench: Measuring End-to-End Reliability in Long-Horizon Legal Research Agents
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出Legal Research Bench（LRB），包含413道专家撰写的美国开放式法律研究问题，每题配金标准答案、支撑权威与二元评分细则。作者在带网页搜索、判例检索、页面解析与检索工具的框架下评测13个前沿模型，采用全通过式评分与来源核验。结果显示智能体远未可靠：最强的Claude Opus 4.8仅42.9%完全正确，且更多轮次、工具调用与推理成本并不预示更高准确率。
- 问题
- 法律研究依赖检索权威并核验有效性，但智能体可靠性不足，单个遗漏或过时引用即导致答案不可用。
- 方法
- 构建413道专家撰写的美国开放式法律研究题，配金标准答案与二元评分细则，在带网页/判例检索工具的框架下用全通过式评分加来源核验评测13个前沿模型。
- 结果
- 最强模型Claude Opus 4.8仅42.9%完全正确；更多轮次、工具调用与推理成本不预示更高准确率。
- 影响
- 法律等高风险检索场景暂不能依赖智能体自动出结论，需保留人工核验环节。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Legal Research Bench含413道美国法律研究题，最强Claude Opus 4.8全对率仅42.9%
- •413道专家撰写的开放式美国法律研究问题，每题配金标准答案、支撑权威与二元评分细则
- •评测13个前沿模型，框架含网页搜索、判例检索、页面解析与检索工具
- •采用全通过式评分与来源核验，任一必需条件不满足即判错
- •最强模型Claude Opus 4.8完全正确率仅42.9%
- •更多轮次、工具调用与推理成本并不预示更高准确率；需调和冲突权威的题目表现更差
为什么重要：法律研究对可靠性要求极高，单一遗漏权威或过时引用即可使答案不可用；该基准显示当前智能体远未达到可依赖水平，且成本不等于准确率。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。