RAG技术在法律助理中越来越受欢迎，但大型语言模型的幻觉问题仍可能影响司法公正。现有评测多依赖合成查询，且对加拿大法律的覆盖不足。为此，本文提出CanLegalRAGBench，一个基于真实查询和案例法专家标注答案的加拿大法律问答基准。评测显示，检索性能受设计影响显著，开源嵌入模型与闭源模型表现相当，但自动评测存在惩罚检索到其他相关文档的局限。生成答案常偏离标准答案，存在幻觉或内容过多偏题，8-29%的断言缺乏文档支持。该基准旨在推动法律RAG系统的持续改进。
这条 研究论文 信号说明，来自 arXiv cs.CL 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.CL 发布了这条关于 研究论文 的更新：RAG技术在法律助理中越来越受欢迎，但大型语言模型的幻觉问题仍可能影响司法公正。现有评测多依赖合成查询，且对加拿大法律的覆盖不足。为此，本文提出CanLegalRAGBench，一个基于真实查询和案例法专家标注答案的加拿大法律问答基准。评测显示，检索性能受设计影响显著，开源嵌入模型与闭源模型表现相当，但自动评测存在惩罚检索到其他相关文档的局限。生成答案常偏离标准答案，存在幻觉或内容过多偏题，8-29%的断言缺乏文档支持。该基准旨在推动法律RAG系统的持续改进。
该研究填补了加拿大法律信息检索与生成评测的空白，提供了基于真实法律场景的评测工具，有助于提升法律辅助系统的可靠性与实用性。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
PhyDrawGen提出了一种神经符号方法，从文本中生成符合物理规律的力学、光学和电磁学图示。该方法首先用大语言模型提取场景图，再通过确定性求解器转换为平面图编码物理约束，最后借助微调的Qwen-VL模型在视觉层面进行约束验证和修正。经1449个问题测试，PhyDrawGen在物理精度上显著优于GPT-5-image和Gemini系列。
具身人工智能的世界模型必须具备物理可行性，即通过表示影响行为结果的物理结构来回答干预查询，而不仅仅是预测未来观测。现有以观测预测为导向的世界模型虽然能生成视觉上合理的结果，却常常在物理上错误，因不同物理系统在干预下可能表现不同但视觉相同。作者通过控制基准测试揭示该问题，强调应构建包含环境表示、潜状态及参数估计、行为规范、干预动力学和查询响应等模块的模型，以最简物理抽象回答干预查询。该方法使模型可解释、组件可验证、输出可审计，并为规划、控制和验证提供设计原则和可行性测试。
本文研究了将分解任务（FTS）编码为SAT问题的方法，提出了多种将分解的转换关系翻译成命题逻辑的策略，并分析了在该场景中如何利用不同层次的并行性及常见任务转换对基于SAT规划器性能的影响。