Accurate Legal Reasoning at Scale: Neuro-Symbolic Offloading and Structural Auditability for Robust Legal Adjudication¶

会议: ACL 2026
arXiv: 2605.02472
代码: 无（工业部署系统）
领域: LLM 推理 / 神经符号
关键词: 神经符号, 法律推理, DACL, amortized intelligence, 可审计性

一句话总结¶

本文提出 Amortized Intelligence 范式：把 LLM 当作"一次性编译器"将法律合同编译成名为 DACL 的确定性有向无环图中间表示，运行时由轻量 agent 调度符号引擎执行，在 400 个真实合同事件上达到 99.5% 准确率，相比 GPT-5.2/Claude/Gemini 等推理大模型在复杂合同上准确率从 22-46% 直接跳到 98%，且 token 消耗降低 9.9 倍。

研究背景与动机¶

领域现状：法律 AI 已从判决预测、合同审查发展到 LLM 驱动的"计算型法律条款"自动执行——这类条款常见于物流计费、能源采购、税务、保险等高频高额业务，每月可能产生成千上万次重复执行。

现有痛点：现有 LLM 方案在高风险合同执行场景有两个致命缺陷——可靠性：CoT 推理常对算术不忠实，相同输入产生不同输出，工业上无法接受；经济性：每次执行都跑大模型推理，成本随事件量线性增长。基准实验显示 GPT-5.2、Claude 4.5 Sonnet、Gemini 3 Pro 等顶级 LRM 在结构复杂合同（76 决策状态的物流主协议）上准确率坍塌到 22-46%，并非算术算错，而是"算对了但用错了变量"——即结构性失败。

核心矛盾：法律执行需要"绝对确定的输出 + 可审计的痕迹 + 可负担的成本"，而通用 LLM 提供的是"概率性输出 + 不忠实的 CoT + 与流量线性绑定的成本"。本质上是"通用推理引擎"用错了场景——法律条款一旦签订就是确定的逻辑，每次执行不需要重新理解。

本文目标：把法律合同自动化拆成"理解"（高难度但一次性）和"执行"（高频但简单）两个阶段，让 LLM 只负责前者，把后者交给确定性符号引擎。

切入角度：作者借鉴编译器架构——把 LLM 当"前端编译器"做合同到中间表示的翻译，把符号执行引擎当"后端"运行时使用。这样推理成本被"摊销"到第一次编译，之后每次执行近乎免费。

核心 idea：用"DACL 中间表示 + 神经符号 agent"把概率推理从运行时彻底卸载到编译时，从而同时获得可审计性、确定性和经济性。

方法详解¶

整体框架¶

系统由两条流水线组成：编译流水线（一次性）——LLM agent 把自然语言合同分段、分类、生成 DACL 图，经过类型检查与场景测试，由律师人工审查后入库；运行流水线（每次事件）——用户事件 \(F_i\) 与查询 \(Q\) 进入 neuro-symbolic agent，agent 用 gpt-5-mini 做语义路由识别相关条款 ID，调用 DACL 符号引擎执行计算并返回结果 \(v\) 与审计痕迹 \(\tau\)，最后 agent 把结果包装成自然语言答复。整个 business-critical logic 都在 DACL 符号引擎内部、概率推理外部。

关键设计¶

DACL 中间表示与四类子句原语:
- 功能：用强类型有向无环图（DAG）建模合同逻辑，保证 referential transparency——相同输入必产生相同输出。
- 核心思路：变量按来源分三类——External（运行时输入，如发货重量）、Const（合同常量，带时间有效窗口）、Derived（中间计算）。逻辑用四种递归原语表达：Procedure（顺序流水线，支持条件早停）、Logical Clause（一阶布尔逻辑，按声明顺序短路求值，强制优先级）、Range Clause（连续变量到离散桶的映射，load 时验证不重叠、严格闭区间、覆盖完整性，杜绝 off-by-one 错误）、Pricing Formula（沙箱化算术表达式，只白名单 ceil/floor/round/sqrt/exp/log，禁止任意代码执行，保证安全性）。条款级 validity_start_date/validity_end_date 支持合同修订时只重编受影响条款，避免全量重生成。
- 设计动机：通用逻辑编程（如 Prolog）面向定理证明，对商业合同的算术 + 时间 + 范围 + 条件组合不够直接；DACL 把这些模式提升为一等原语，让 LLM 编译时只需做 syntactic mapping 而非语义推理。
Amortized Intelligence（推理一次、执行多次）:
- 功能：把"理解合同"和"执行合同"两个性质迥异的任务分离，前者用 LLM 一次性完成并产物入库，后者用确定性引擎按需触发。
- 核心思路：基线方案是 \(O(N)\) 模型——每次事件 \(e_i\) 重新读取合同 \(C\) 加事实 \(F_i\)，让 LLM 全套推理产生结果，N 个事件总成本是 N 次重型推理。本文方案是 \(O(1)\) 模型——LLM 仅做一次合同→DACL 翻译（耗时但稀疏），之后每次事件只跑廉价的 gpt-5-mini 做语义路由 + 调用符号引擎，长期摊销成本逼近"路由 LLM + 符号执行"的极小值。在 400 事件评测中 token 消耗从 13.44M 降到 1.35M（9.9× 降低）。
- 设计动机：业务场景天然存在"合同一次签订、事件大量重复"的不对称——把贵的事情做一次、便宜的事情做多次，是软件工程中的经典 trade-off，本文把它系统化引入法律 AI。
Neuro-Symbolic Agent 的三阶段调度:
- 功能：让一个轻量 LLM agent 把自然语言查询安全地落到符号引擎上执行，并把确定性结果包装成自然语言回答。
- 核心思路：agent 用 gpt-5-mini 加 OpenAI Agents SDK 实现 ReAct 式调度，只暴露一个工具 evaluate_clauses_tool(K, F_i)。三阶段是：(1) 语义映射 \(K = \mathcal{M}_{\theta_{small}}(Q, F_i)\) — 用受约束的语义解析把查询映射到一组条款 ID（不执行任何逻辑）；(2) 符号委派 \((v, \tau) = \Phi_{DACL}(K, F_i)\) — 调用确定性引擎执行，\(P(v|K, F_i) = 1\)；(3) 合成应答 \(y = \mathcal{S}_{\theta_{small}}(Q, v, \tau)\) — 把结果与审计痕迹合成自然语言。
- 设计动机：保证"业务关键计算永远不经过 LLM 概率推理"——LLM 只做选择与表达，所有数值、条件、范围判断都由符号引擎执行；这是同时满足可审计、可重复、低成本的关键架构选择。

损失函数 / 训练策略¶

本文未训练新模型，采用零样本 LRM 基线（GPT-5.2 with reasoning_effort=none/medium、Claude 4.5 Sonnet 启用 Extended Thinking、Gemini 3 Pro thinking_level=high）和 gpt-5-mini 编排 agent，所有基线被约束输出严格 schema：reasoning 字段（审计用）+ result 字段（自动评分用）。

实验关键数据¶

主实验：四类合同 400 事件准确率（节选）¶

合同	GPT-5.2 (none)	GPT-5.2 (med)	Claude Sonnet 4.5	Gemini 3 Pro	DACL Agent
Health-PPO	74%	91%	73%	69%	100%
Energy-Sup	100%	99%	100%	91%	100%
Logistics-MSA	22%	46%	45%	30%	98%
Muni-IFB	36%	95%	93%	96%	100%
Overall	58.0%	82.8%	77.8%	71.5%	99.5%

消融实验：错误类型剖析与计算成本¶

维度	GPT-5.2 Medium 基线	DACL Agent	改善倍数
总 token 消耗（400 事件）	13.44M	1.35M	9.9× ↓
Logistics-MSA 平均延迟	~164 秒	26.8 秒	6.1× ↓
Variable Dependency 错误占比	71%	几乎 0（仅 2 例 orchestrator 错误）	—
Arithmetic Hallucination	<1 例/模型	0	—

关键发现¶

"推理悬崖" (Reasoning Cliff)：GPT-5.2 在 Energy-Sup（1 个决策状态）上 100% 准确，但在 Logistics-MSA（76 个决策状态）上崩到 46%。揭示 LLM 能搞定算术深度（如 Muni-IFB 的日期查找），但搞不定状态宽度（多分支决策树的状态保持）。
错误本质是结构性而非算术性：71% 错误来自 Variable Dependency（变量依赖错误），<1% 来自 Arithmetic Hallucination（算术幻觉）。模型已经掌握法律计算的"算术原语"，但缺乏"结构保真度"——把对的算法用到错的变量上。
DACL 错误来源更可控：DACL Agent 在 Logistics-MSA 的两例错误都来自 orchestrator (gpt-5-mini) 的语义路由失误（选错条款或漏传字段），符号引擎本身按构造无错；通过更严格的 tool input schema 即可消除。
生产部署验证：已上线 12 个月，每月跑约 1000 个计费事件、覆盖 150+ 商业合同，持续工作。
"中度"推理对深度有用、对宽度无用：开启 GPT-5.2 的 medium reasoning 把 Muni-IFB（时间逻辑）从 36% 拉到 95%，但 Logistics-MSA 只从 22% 拉到 46%——说明长 CoT 能弥补单链路深度，却无法解决跨多分支的状态追踪。
延迟反直觉地下降：DACL Agent 在 Logistics-MSA 平均 26.8 秒，远低于 GPT-5.2 Medium / Claude / Gemini 的约 164 秒——把推理交给符号引擎后，整体延迟反而更优。

亮点与洞察¶

"编译时 vs 运行时"的范式重构：本文最深刻的洞察是把法律 AI 从"运行时解释器"重新定义为"编译器"——这种重新划分边界的能力是工程师能从研究中拿走的最有迁移价值的思想。
错误剖析揭示 LRM 真正缺什么：作者用 Judge LLM 把错误分为 VD/DH/AH 三类，量化证明 LRM 失败不在"算不对"而在"状态追踪"。这一发现可以指导未来 LRM 训练应该针对 long-horizon state tracking 而非数学能力做改进。
"工具只有一个"的极简设计：neuro-symbolic agent 只暴露 evaluate_clauses_tool 一个工具，故意限制 LLM 的发挥空间——这与"给 agent 越多工具越强"的主流叙事相反，但在高风险确定性场景反而更安全可靠。
温度版本化的细节：DACL 的 validity_start_date/end_date 让合同修订只触发增量编译，是一个被低估的工程亮点，避免了"改一行重编全部"的扩展性问题。

局限与展望¶

作者承认：(1) DACL 原语库覆盖算术、一阶逻辑、范围映射，但暂不支持可推翻推理 (defeasible reasoning)、开放语义标准（"合理的注意义务"）和高阶逻辑；(2) Gold Standard 需要人工实现，限制评测规模；(3) 流量是合成而非真实生产分布，可能未充分覆盖长尾错误输入；(4) 仅在英语商业合同上测试，未验证非英语司法管辖区；(5) 编译错误虽稀少但会确定性重复，仍需人审。
额外局限：基线 LRM 用完整合同作为上下文，未尝试 RAG 检索相关条款——后者可能缩小但不消除性能差距（VD 错误来自分支状态追踪，与上下文长度无关）。
改进方向：把 DACL 编译目标扩展到 defeasible/probabilistic formalism（如 ProbLog）；研究自动检测编译错误的工具，减少人审负担；扩展到税法、社保、城市规章等公共法律场景，撬动"司法可及性"的社会价值。

评分¶

新颖性: ⭐⭐⭐⭐ "Amortized Intelligence" 范式重新切分了 LLM 与符号引擎的职责边界，DACL 原语库对商业合同的针对性设计有原创价值。
实验充分度: ⭐⭐⭐⭐ 覆盖 4 个真实合同、3 个 LRM 家族、400 事件，并附带错误类型与成本/延迟对比；缺点是缺少更多 baseline（如 RAG-LRM）。
写作质量: ⭐⭐⭐⭐⭐ "Reasoning Cliff" 和"Variable Dependency vs Arithmetic Hallucination"等概念命名传播力强；架构图清晰、消融剖析到位。
价值: ⭐⭐⭐⭐⭐ 已上线 12 个月的生产系统，每月千次事件、150 合同，是少数 ACL paper 真正落地工业的研究；对所有"用 LLM 做确定性业务"的团队有直接借鉴价值。