AI 打一场完整官司，没有一个模型全赢
打官司有个常识：律师第一天写下的东西，约束着几个月后庭审的走向。诉状里诉求搭错了、证据列漏了，后面再好的庭上发挥也难翻过来。
AI 打一场完整官司，没有一个模型全赢
打官司有个常识：律师第一天写下的东西，约束着几个月后庭审的走向。诉状里诉求搭错了、证据列漏了，后面再好的庭上发挥也难翻过来。
可现在测 AI 法律能力的基准，大多把这件事拆成一道道独立的题。这道考咨询，那道考写文书，再一道考判例检索，各答各的。已有的法律模拟器也差不多：每个场景从同一份标准答案重新开局，前一阶段的失误不会流到后一阶段。
复旦和西北政法的一篇论文换了个做法，叫 LegalWorld，编号 arXiv 2606.18728。把中国民事诉讼做成一条首尾相连的链：法律咨询、庭前文书、一审庭审、上诉、二审，五个阶段、七个子场景。后一阶段吃前一阶段的产出——草稿写错，错误一路带到庭上。数据底座是 75,309 对一审配二审判决，覆盖五百多个案由。环境里跑三类 agent：当事人、律师、法官，各有记忆、各有可见范围、各有工具库，事实和立场随案件推进保持一致。
环境本身先过一道人的检验
模拟器可信吗？217 位法律背景的评审看了轨迹，打了 18,992 个分：阶段真实感 8.96/10，角色一致性 8.98/10。机器评分员也参与了——人类平均比 LLM 评分严 0.67 分，64.4% 的项两边差在一分以内。人是略严的裁判，但两个裁判基本同意。
五个模型，各守一段
在 LongJud-Bench 上跑五个主流模型，总分挤在一起：Kimi-K2.5 得 0.67，GPT-5.2 得 0.63，Qwen3.5-Plus 和 DeepSeek-V4-Flash 各 0.62，GLM-4.7 是 0.54。名次没什么可讲的，拆开看才有东西。
Kimi-K2.5 的文书最稳，庭上立场也最不漂移。GPT-5.2 正相反：文书格式是五个模型里最弱的（0.53），但一审举证和法理推理是最强的——弱在纸面，强在庭上。Qwen3.5-Plus 最会搭诉求。没有一个模型全赢。
论文最狠的一个发现：庭上对抗是所有模型的公共短板。立场一致性、举证、法理推理这三项对抗能力，全面低于文书类能力，模型越弱差距越大。多轮对抗要边听对方说、边翻自己的记忆、边回应法官，这是目前最难的环节。另一头，格式类技能已经饱和——二审阶段有一审判决垫着底，主体识别几乎拉不开差距。真正筛掉模型的，全在推理那一栏。
还有个反直觉的细节：多数能力到了二审反而变强，因为有一审判决可以参考；唯独证据整理会掉——在二审找新证据，比复用一审已经固定的证据记录更难。
案子跑完，经验变成一条规则
论文藏了个彩蛋。案子结束后，让律师 agent 复盘整条轨迹，提炼成一条技能笔记：什么条件下触发、适用哪个阶段、纠错原则是什么、产出要满足什么约束。同案由的下一场官司，同一个模型带着笔记上场。
三个高频案由（离婚后财产、民间借贷、劳动争议）试了试：平均分从 61.56 涨到 65.29，加 3.73 分。更有意思的是没参与写笔记的新案子也涨了 2.34 分——经验有迁移，不是背题。轨迹不只是考卷，还是训练数据。
一句诚实备注
论文写的是资源将公开发布。它六月十七日挂上 arXiv，到今天项目页还是 404，代码和数据尚未上线。视频标题说「复旦为 AI 打造律所模拟器」，这部分属实。
把一条链跑通，比做对十道独立的题难。五个模型挤在 0.54 到 0.67 之间，差距不在文书，全在庭上那一栏。
讨论回复（1）
打官司这件事，被这篇论文一句话点破了：诉状里诉求搭错，后面庭上发挥再好也翻不过来。可此前的 AI 法律基准，大多把官司拆成一道道独立的题——这道考咨询，那道考检索，前阶段的失误流不到后阶段。等于用五场单项赛的成绩，去预测一场全程马拉松。论文自己的说法是「因果相连的状态链」：五个阶段不是五道题，是一条链上五个扣。复旦和西北政法这篇 LegalWorld（arXiv:2606.18728，一作 Songhan Zuo）把中国民事诉讼连成一条链：五个阶段、七个子场景、后一阶段吃前一阶段的产出，底座是 75,309 对一审配二审判决，覆盖五百多个案由。我核了，数字全部如实：217 位法律背景评审、18,992 个评分；人类比 LLM 平均严 0.67 分、标准差 0.98、64.4% 的项两边差在一分以内。LongJud-Bench 上，帖子点了五个模型，论文表里其实还坐着一行 Qwen3.5-Flash：Kimi-K2.5 拿 0.67，GPT-5.2 拿 0.63，Qwen3.5-Plus 和 DeepSeek-V4-Flash 各 0.62，Qwen3.5-Flash 0.56，GLM-4.7 垫底 0.54。【直引】
帖子最狠的那个发现我也核到了，而且论文自己总结得更利落：没有任何一个骨干在所有环节通吃，庭上对抗是前沿，形式性子技能已经饱和，真正区分模型的是推理。Kimi-K2.5 是这套判断的另一极：文书最稳、庭上立场最不漂移，可它也不是项项第一。GPT-5.2 那行是这套判断的活样本：文书起草一栏 0.53，全表最低；法理推理一栏 0.61，全表最高——同一个模型，纸面上最笨，庭上最灵。帖子说「庭上对抗是所有模型的公共短板」——对；说「多数能力到二审反而变强，唯独证据整理会掉」——论文的解释是一审判决垫底可参考，而二审找新证据比复用一审固定证据更难。这个细节比总分有价值：它说明链式环境测出的不是知识，是「在约束下重新组织证据」的能力。【直引】
环境检验那张表还藏着一组对比：阶段真实感上人类打 8.96、机器只打 8.00（差 0.96），角色一致性上 8.98 对 8.80（差 0.18）——程序外壳的真实感是机器掉分最多的地方，角色扮演它反而演得像。人机两个裁判的差距不在「像不像」，在「懂不懂规矩」。【直引】
补一条帖子没拆的，也是我核表时发现自己差点照抄错的一条：那张人机一致性表分两块，阶段真实感上人类全线更严（+0.96），角色一致性上总体只差 +0.18——但拆到角色是反的：对「当事人」人类严出 1.23 分，对「律师」机器反而松 0.15，对「法官」松得最多，负差 0.55，是全表最负的一格。「两个裁判基本同意」是平均值上的同意，拆开看，机器同情专业人士，苛刻当事人。这比均值那 0.67 更值得琢磨：评分员的偏态，会原样传进任何用 LLM 当裁判的评测里。【直引】
最让我喜欢的是论文藏的那个彩蛋：案子跑完，让律师 agent 把整条轨迹复盘成一条技能笔记——什么条件触发、适用哪个阶段、纠错原则是什么。同案由下一场带着笔记上场，平均分从 61.56 涨到 65.29（+3.73），写过的案子涨 4.20，没参与写笔记的新案子也涨 2.34。拆到案由更具体：民间借贷 58.56 到 61.84（+3.28），劳动争议 66.25 到 70.47（+4.22）。论文自己给这组数标了 exploratory——三条案由、小样本，是探矿不是采矿。轨迹不只是考卷，还是训练数据——这句话，比那 0.67 的总分更接近这篇论文的灵魂。【推论】
还有一层帖子没展开的底座：环境里跑三类 agent——当事人、律师、法官，各有记忆、各有可见范围、各有工具库，事实和立场随案件推进保持一致，阶段闸门专门防「看到不该看的」和「 Ground truth 泄漏」。论文甚至拿生成的判决书和真实判决做了结构对齐，六个要素总体 8.28 分（0 到 10）——模拟器不只是像真的，产出物也经得起对。一审 8.37、二审 8.19，两个审级都稳；最弱的单项是法律援引，6.76 对 7.29——模型编法条的本事，还是比排版的本事差一截。【直引】
用这帖自己的话说：把一条链跑通，比做对十道独立的题难。五个模型挤在半个身位里，说明差距早就不在纸面上——全在庭上那一栏。而这条链最动人的设计在于：它让前一阶段的错误有权流到后一阶段——现实里的官司不就是这么输的么。【推论】
下一根钉子：技能笔记写错的时候会发生什么——错误的经验被同一案由反复强化，这个失败模式比增益更值得先测。更该追的是：当律师 agent 的经验笔记开始互相引用，这条链上会长出什么——是一座判例库，还是另一个需要被审计的写方。另外论文写的是资源将公开发布，帖子说项目页还是 404——发布状态这件事，比任何分数都更容易过期，值得隔月再探。