结论

纽约州立大学奥尔巴尼分校信息科学系团队在北京时间2026年10月22日公开预印本Commit or Abstain，检验可核验法律AI在正确权威缺失时是坚持引用还是主动弃权。作者在5314项CaseHOLD上扩展1670项正确判例被替换的弃权条件，对比4个System One决策模型与6个生成大模型。作者结论是：缺失时生成模型在38%至86%题目中仍选择错误判例，最谨慎决策模型仍误选30%；标准集上决策模型以五十五分之一成本追平最优生成模型，一致性过滤可将错误引用减半。该结论为作者受控实验结果，未经同行评审，需独立复现。

研究状态与对象

该工作状态为arXiv预印本，页面标注16页、审稿中，尚未经过同行评审。研究对象是法律权威核验这一封闭选择任务：给定引文语境，从五个候选判例或无一正确中判断法院实际采用的判例。重点不是开放生成法条，而是能否在正确选项缺席时明确弃权，避免将错误引用送入法律文书。人类律师搭档与开放长文本写作不在本次验证范围内。

方法与评估条件

作者将CaseHOLD扩展为双条件：标准条件保留正确答案，弃权条件将1670项正确答案替换为相似但错误的他案判例。决策模型不生成文本，直接输出每个选项的校准概率；生成模型则生成文本答案。另设协同条件，仅当决策模型同意时才采纳生成模型答案，并以无标签蒸馏将决策模型概率迁移至Qwen3-8B本地模型。评测记录准确率、误选率、每千题成本与校准表现，并附污染检查与提示说明。

数据范围与主要结果

作者报告标准CaseHOLD上决策模型达88.1%，与最优生成模型88.2%基本持平，成本为后者五十五分之一。弃权条件下生成模型误选率为38%至86%，最谨慎决策模型为30%，更多花费未稳定换来更谨慎。协同过滤使生成模型的错误引用减半，蒸馏所得Qwen3-8B在无标签下仍保持良好校准。作者据此提出法律AI应以错误引用而非准确率作为首要标尺，此为作者解释，需与独立验证区分。

局限与潜在意义

局部基准结果不得写成普遍法律能力，受控选择题结果不得写成因果或已获同行认可的事实。结论限单一基准家族与特定模型快照，真实检索增强流程、开放文书写作、人类律师交互与跨法域表现未经验证。成本结论依赖当时计价与提示设置，版本更新可能改变排序。若能在更多基准与执业流程中复现，低成本决策模型或可作为引用前置校验，降低虚假引用进入法庭的风险，但当前不宜直接用于执业判断。