arXiv cs.AI· Haotian Chen, Shuaicheng Niu, Haocong Rao, Kaisong Song, Jun Lin, Lizhen Cui, Zhiqi Shen, Yonghui Xu·· 10 天前AI 评分28
面向长程法律推理的测试时智能体演化
Test-Time Agent Evolution for Long-Horizon Legal Reasoning
AI 导读
研究提出一种免训练的测试时智能体自适应方法，通过测试时记忆演化从既往案例中检索可复用经验并适配当前事实与程序语境，同时以评分标准对齐协作机制校验和修正各角色行动。在 J1-EVAL 和 LegalWorld 上对五个基座模型的实验显示，该方法相较代表性推理与智能体基线取得一致提升，且交互与计算成本合理。
正文 · AI 翻译
摘要：法律智能旨在支持涉及不断变化的案件状态和多种角色的长周期法律流程中的可靠决策。然而，现实世界中的法律部署在事实、证据和程序背景方面呈现出显著的案件异质性，暴露出静态智能体策略的局限性。此外，法律推理本质上在角色和程序阶段之间相互依赖，使得全局可靠性与孤立的角色能力有着根本不同。为应对这些挑战，我们研究免训练测试时智能体自适应，即智能体在不更新模型参数的情况下，持续利用来自先前案件和正在进行的交互的部署时信号。我们提出 \method，它引入 \emph{测试时记忆演化}，从先前案件中检索可复用经验，使其适应当前的事实和程序背景，并整合积累的经验以用于后续决策。此外，\emph{评分标准对齐协作}根据行为与程序要求验证并修正角色特定行动，从而实现跨角色和阶段的协同决策。在 J1-EVAL 和 LegalWorld 上跨五个骨干模型的大量实验表明，相较于具有代表性的推理和智能体基线，该方法在合理的交互与计算成本下取得了一致改进。消融研究和案例研究进一步表明，这两个组件在经验适应和跨角色协调方面提供了互补优势，提高了长周期法律推理的可靠性和效率。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.08138 [cs.AI] |
| （或此版本的 arXiv:2610.08138v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.08138 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Haotian Chen [查看电子邮件]
[v1]
2026年10月6日星期二 10:53:25 UTC（893 KB）
来源：arXiv cs.AI · arxiv.org