arXiv 2026年9月30日该工作提出 LexReward，一个由法律专家参与构建、把法律回答质量拆解为 Style（词汇与句法）、Element（主体、事实、法条、裁判）与 Chain（推理顺序、完整性、正确性、非冗余）三个维度的分类体系，并据此设计规则或 LLM 评判的评分细则，用其构建偏好数据训练中文法律奖励模型 LexRM；实验显示评分细则能区分不同质量回答，DPO 在三个维度上均提升生成表现，LexRM 在测试时扩展中优于随机选择，用于 GRPO 时各维度均有增益并优于基于结果规则的奖励。该工作提出 LexReward，一个由法律专家参与构建、把法律回答质量拆解为 Style（词汇与句法）、Element（主体、事实、法条、裁判）与 Chain（推理顺序、完整性、正确性、非冗余）三个维度的分类体系，并据此设计规则或 LLM 评判的评分细则，用其构建偏好数据训练中文法律奖励模型 LexRM；实验显示评分细则能区分不同质量回答，DPO 在三个维度上均提升生成表现，LexRM 在测试时扩展中优于随机选择，用于 GRPO 时各维度均有增益并优于基于结果规则的奖励。LexReward 用 Style、Element、Chain 三维度评分体系训练中文法律奖励模型，使 GRPO 在 Element 平均分上比 SFT 提升 6.04 分该工作提出 LexReward，一个由法律专家参与构建、把法律回答质量拆解为 Style（词汇与句法）、Element（主体、事实、法条、裁判）与 Chain（推理顺序、完整性、正确性、非冗余）三个维度的分类体系，并据此设计规则或 LLM 评判的评分细则，用其构建偏好数据训练中文法律奖励模型 LexRM；实验显示评分细则能区分不同质量回答，DPO 在三个维度上均提升生成表现，LexRM 在测试时扩展中优于随机选择，用于 GRPO 时各维度均有增益并优于基于结果规则的奖励。该工作提出 LexReward，一个由法律专家参与构建、把法律回答质量拆解为 Style（词汇与句法）、Element（主体、事实、法条、裁判）与 Chain（推理顺序、完整性、正确性、非冗余）三个维度的分类体系，并据此设计规则或 LLM 评判的评分细则，用其构建偏好数据训练中文法律奖励模型 LexRM；实验显示评分细则能区分不同质量回答，DPO 在三个维度上均提升生成表现，LexRM 在测试时扩展中优于随机选择，用于 GRPO 时各维度均有增益并优于基于结果规则的奖励。