论文解读 · 2026年10月15日

Legal-R1：面向基于依据的法律推理的智能体式检索

Legal-R1: Agentic Retrieval for Evidence-Based Legal Reasoning

在由律师、法律助理、法官角色组成的多智能体结构中，只用 SFT 和 GRPO 训练负责规划依据检索的律师智能体，使 8B 模型在中国法律基准上超过了 RAG 基线。

问题

法律问答的回答仅仅听起来合理是不够的，必须基于有效且可引用的法律依据。一般的 RAG 依赖单次语义相似度检索，因此无法按照法院权威性、适用性、判决多样性等法律特有的条件来筛选依据。

方法

分为三个角色。Lawyer 智能体在每一轮从法条检索、判例检索、终止三者中选择其一，并生成或修改检索词。Legal Assistant 智能体使用反映检索意图的 LLM reranker 挑选法条。判例则通过 MMR 选取后进行摘要，MMR 结合了相关度、法院权威性得分以及基于刑期指数（PSI）的多样性惩罚。Judge 智能体接收完整的证据轨迹并撰写最终答案。只有 Lawyer 是训练对象。先在用教师模型合成的轨迹上对检索到的证据 token 进行掩码后做 SFT，再以答案准确率、轨迹对齐、证据有用性、检索词质量和格式为奖励应用 GRPO。

结果

在 LawBench 和 LexEval 上平均得分 60.28，高于同规模的基于检索的基线 R-Search（45.59）和 A2search（42.28）
大幅高于不使用检索的同级骨干模型 Qwen3-8B（27.85），也高于 GPT-5.4-Mini（56.87）。但低于 DeepSeek-V4-Flash-Preview（66.47）
LawBench 原有指标 57.36、LexEval 原有指标 56.54，高于法律专用模型 LegalOne（23.25 / 35.30）
作者在消融实验中报告，后训练以及基于权威性和多样性的判例重排序各自对性能提升有贡献

局限

评估仅限于中国法律基准，判例语料库也只包含刑事判决（LeCaRDv2）。“LLM Judge”得分由 DeepSeek-V4-Flash-Preview 这一个模型评分，而该模型同时也是对比对象。由于强化学习奖励依赖于与教师模型合成轨迹的对齐，教师模型的偏差可能被原样继承。

意义

在法律这类证据的权威性和适用性至关重要的领域，该工作展示了一种将检索视为经过学习的证据探索策略、而非固定流水线的方法。由于检索规划与答案生成相互分离，训练好的 Lawyer 也可以与其他 Judge 模型组合使用。

关键术语

智能体式检索（Agentic retrieval）: 一种由模型在多轮中自行决定是否检索、检索哪个来源、使用什么检索词以及何时停止的检索方式。
MMR(Maximal Marginal Relevance): 一种重排序技术，依次挑选相关度高且与已选文档不重复的文档。这里用刑期的相似度作为重复度。
PSI(Punishment Severity Index): 将有期徒刑、罚金等不同刑罚换算成以天数为基准的单一数值的刑期指数。用于衡量判例之间判决结果的多样性。
GRPO: 一种强化学习方法：对同一问题采样多个回答，并以相对于组内平均的奖励计算优势。不需要单独的价值网络。

原文

作者: Huaiwen Pang, Jiale Han, Junying Chen, Wenjun Xiao, Benyou Wang · 发布 2026-10-13 · 许可 arXiv 비독점 배포 라이선스 · 基于全文分析

本解读是 AI 阅读论文后撰写的摘要，请以论文原文为准。