大規模における正確な法的推論：神経記号オフローディングと構造的監査可能性による堅牢な法的審判

arXiv cs.CL / 2026/5/5

📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は「Amortized Intelligence」を提案し、法的文書をLLMで一度だけ変換して型付きグラフの中間表現（DACL）に落とし込むことで、確率的推論への反復依存を減らす神経記号的手法を示しています。
審判（adjudication）は決定論的なグラフ実行で行い、視覚的に監査可能なトレースを生成して、法的意思決定に求められる厳格な透明性・監査可能性を満たすことを狙っています。
実験ではDACLベースのエージェントを、実行時に推論する大規模推論モデルのベースライン（GPT-5.2やGemini 3 Proを含む）と比較し、「reasoning cliff」に起因する失敗を抑えつつ高い一貫性を報告しています。
本手法は大量の法務ワークフローで計算コストを90%以上削減できると主張し、コスト効率と堅牢な出力の両立を目指しています。
総じて、この研究は構造化表現・決定論的実行・トレース性を組み合わせることで、推論誤りと推論コストを抑えた法務AIのプロダクション準備性を高めようとしています。

Abstract

法律文書には、計算機的な法的条項—理解に複雑な論理を要する条文—がしばしば含まれます。最先端の大規模推論モデル（LRM）ならそのような条項を記述できますが、本番運用可能なシステムの構築は、推論エラーと推論コストの高さによって制限されます。私たちは、神経記号論的アプローチであるAmortized Intelligence（償却知能）を提案します。ここでは、LLMを1回だけ用いて、法的テキストを決定論的自律契約言語（DACL）へと翻訳します。DACLは型付きグラフの中間表現です。その後の裁定は、視覚的に監査可能なトレースを伴う決定論的なグラフ実行に依存します。ランタイムのLRMベースライン（GPT-5.2およびGemini 3 Proを含む）と比較すると、DACLベースのエージェントはほぼ完全な一貫性を達成し、確率モデルで観測される「推論の崖」を緩和します。さらに本システムは、高ボリュームのワークフローにおいて計算コストを90%以上削減しつつ、法的裁定に求められる厳格な監査可能性の要件を満たします。