KDASO：知识数据双驱动责任审判任务自动化技能优化

摘要

arXiv:2611.06972v1 Announce Type: new Abstract: Liability adjudication tasks (e.g., legal charge determination) require analyzing event descriptions against domain-specific skills to determine whether...

skill and skills adjudication from KDASO legal determination descriptions domain

2026-11-06 1 阅读约1分钟阅读 Zi-Jian Cheng, Weiming Wu, Jie Meng, Zhen Peng, Shan Huang, Qun Li, Guobing Wu, Lan-Zhe Guo

arXiv:2611.06972v1 公告类型：新摘要：责任裁决任务（例如法律指控确定）需要根据特定领域的技能分析事件描述，以确定一方是否应承担责任。虽然大型语言模型 (LLM) 通过利用可执行技能进行可解释推理，在这一领域展现了前景，但现有方法面临三个关键限制：随着现实世界场景的动态发展，技能库会变得陈旧；技能描述通常会遇到语义执行差距，其中 LLM 偏离预期的专家逻辑；不断增长的技能集合超出了上下文预算，导致关键技能遗漏。为了应对这些挑战，我们提出了知识数据双驱动自动技能优化（KDASO），它通过最近裁决数据的邻域条件归纳、基于法学硕士轨迹分析的执行对齐细化以及用于可扩展技能选择的上下文预算路由来不断发展技能库。网约车裁决、法律责任判定和逻辑推理判断等方面的实验表明，KDASO 的性能显着优于当前的通用和特定领域基线。 KDASO 在将技能迁移到概念相似的场景时进一步实现了 8.96% 的提升，并通过持续优化保持一致的性能增益，强调了生成技能的高可迁移性和稳定性。

订阅66必读