法庭辩论交给三个智能体：先例检索让刑事案上诉人论证的语义相似度升到0.8921
核心概要
法庭判决预测长期只看案件事实，而真实庭审中法官、上诉人、被上诉人的往复辩论同样塑造结论。ArguGenCourt 让三个各自独立的 GPT-4o 智能体分饰法官、上诉人与被上诉人，按轮次对话生成论证，并把从事实最相近的先例文书中检索出的庭审发言作为少样本示例。在刑事案上诉人一侧，局部先例检索的多智能体配置 Legal-sim 为 0.8921，同一检索下的事实对话为 0.8288；生成的论证再用于判决预测，准确率为 0.55，高于零样本的 0.48。
深度剖析
庭审论证的生成不再只从案件事实出发，而是由法官、上诉人、被上诉人三个独立大模型智能体按角色轮流发言，产出两段对话：法官与上诉人、法官与被上诉人。 此前的判决预测研究主要围绕案件事实做推理，或用单一智能体模型，这与真实庭审中三方论证交锋的形态不同。 实验使用美国最高法院 2000 至 2019 年的公开文书，从中抽取刑事、民事、宪法三类各 150 份共 450 份，其中 100 份作训练、其余作测试，论证生成由 GPT-4o 与 Llama-3.1-70b 承担，最终报告 GPT-4o 的结果。
给智能体的少样本示例不是随机挑的，而是先为每份测试文书找到事实最相近的训练文书，再从中挑出与本案事实最接近的庭审发言放进提示。 对照方法是只给案件事实的事实对话，以及为每类案件全局选一份训练文书的先例相似度最大化策略。 在刑事案上诉人一侧的多智能体配置下，局部先例检索的 BERTScore 为 0.5682，先例相似度最大化为 0.5267，事实对话为 0.5123；同一多智能体配置下，局部先例检索的 Legal-sim 为 0.8921、BLEURT 为 0.4782，事实对话为 0.8288 与 0.4381。
生成的论证被送进判决预测任务，检验它是否携带可用的法律推理，而不只是字面相似。 零样本只给案件事实，二样本给两条随机训练样例，思维链让模型先写推理步骤再给结论。 在 450 份文书上，局部先例检索的判决预测准确率为 0.55，思维链为 0.53，二样本为 0.50，零样本为 0.48；类别 F1 上局部先例检索为 0.52 与 0.58，零样本为 0.45 与 0.50。
启示与展望
演示范围限于美国最高法院 2000 至 2019 年的公开文书，抽取刑事、民事、宪法三类共 450 份，论证生成最终报告的是 GPT-4o 的结果；作者提出后续将扩展到更广的法律领域、引入更丰富的法律知识与先例，并探索人在回路评估。
作者指出，词面相似度指标 ROUGE-L 与 METEOR 的得分通常低于 0.2，说明生成论证与真实发言在措辞上差异明显；语义指标得分更高，被解释为语义对齐而非逐字复现。专家评分采用 0 至 4 分制并以加权 Cohen kappa 衡量一致性，分歧超过两分的案例经共识讨论裁定。结果部分对单智能体与多智能体孰优的表述前后不一致，一处称单智能体在所有指标上优于多智能体，另一处称多智能体配置持续提升表现，因此本报道不把两者的优劣当作已定结论。