对标 LexKairos（arXiv:2608.09106, 2026年8月），构建中文法律领域的法律时序能力综合基准数据集。从法规时序知识、案例时序建模、法规-案例时序推理三个维度进行标注，支撑法律大模型在时间维度上的推理能力训练。
LexKairos 基准（arXiv:2608.09106, 2026年8月发布）是首个面向中文法律领域的法律时序能力综合基准，揭示了当前法律大模型在处理"法律何时生效""法规修订后旧案如何适用""法规之间时序冲突如何解决"等时序推理问题上的严重不足。
该研究从三个维度评估法律时序能力：
朗慧科技基于 LexKairos 框架，扩展构建覆盖 15 万样本的中文法律时序推理标注数据集，填补国内法律 AI 时序推理训练数据的空白。
标注法规全生命周期时间线，含颁布日期、生效日期、修订历史（含修订前后条文对比）、废止日期、过渡条款、溯及力条款。
标注案件时间轴与法规时间窗口的匹配关系，含案件事实时间、立案时间、审理时间、适用法规版本、时间冲突标注。
标注从"法规时效判断→时间窗口匹配→法不溯及既往检验→最终适用结论"的完整时序推理链，含推理步骤、法律依据、中间结论。
| 字段名 | 类型 | 说明 |
|---|---|---|
| dataset | string | 数据集标识，固定为 "legal-temporal-reasoning" |
| sample_id | string | 样本唯一编号，格式 "LTR-2026-XXXXXX" |
| dimension | enum | 时序推理维度：law_temporal / case_temporal / cross_temporal |
| law_info | object | 法规时序信息对象（含 law_id, title, promulgate_date, effective_date, revise_history, abolish_date） |
| case_info | object | 案件时序信息对象（含 case_id, fact_date, filing_date, trial_date, applicable_law_version） |
| temporal_conflict | boolean | 是否存在时间冲突（如案件发生在法规修订前但审理在修订后） |
| retroactivity | enum | 溯及力判定：retroactive / non_retroactive / transitional_clause |
| reasoning_chain | array | 时序推理链数组，每步含 step, legal_basis, conclusion |
| final_applicable_law | object | 最终适用法规（含 law_id, version, article_range, effective_at_trial） |
| annotator | string | 标注员编号 |
| reviewer | string | 审核员编号 |
| confidence | float | 标注置信度 0.0-1.0 |
从国家法律法规数据库抽取法规全生命周期时间戳，构建法规版本快照（修订前后条文对比），标注效力位阶与时间冲突。
从裁判文书中抽取案件事实时间、立案时间、审理时间，建立案件时间轴，匹配适用法规的时间窗口。
识别案件事实时间与审理时间是否跨越法规修订节点，判定法不溯及既往原则的适用，标注过渡条款与例外情形。
由执业律师标注完整时序推理链（含法律依据、中间结论、最终适用法规），法学教授进行二审，争议样本经合议标注。
对标 LegalGraphRAG（ACL 2026, pp. 37455-37484），构建分层法律知识图谱（HierarGraph）标注数据集。采用多智能体证据推理框架（Researcher-Auditor-Adjudicator），将法律知识组织为层次化图结构，实现可靠的图检索增强法律推理。
LegalGraphRAG（ACL 2026 Long Paper）提出了两层架构解决法律 RAG 系统的可靠性问题：
将法律知识组织为层次化图结构，解耦历史案例、相关法规和司法解释三类知识源，支持多跳图检索。
Researcher（检索证据）→ Auditor（严格验证）→ Adjudicator（综合判决），三角色协作完成法律推理。
实验在 14,049 案例图语料和 568 案例 CAIL 评估集上验证，多智能体图检索显著优于传统 dense retrieval。朗慧科技基于该框架构建 8 万节点的中文法律知识图谱标注数据集。
从分层法律图中检索相关证据节点，标注检索路径、证据相关度评分、候选证据集合。
严格验证 Researcher 检索的证据，标注证据可信度、时效性、适用范围、矛盾检测。
综合验证后的证据进行推理，标注推理链、法律适用结论、置信度评估。
| 字段名 | 类型 | 说明 |
|---|---|---|
| dataset | string | 数据集标识，固定为 "legal-graph-rag" |
| graph_id | string | 图谱唯一编号，格式 "LGR-2026-XXXXXX" |
| query | string | 法律查询问题（自然语言） |
| hierar_graph | object | 分层法律图对象（含 nodes, edges, layers） |
| nodes | array | 图节点数组，每节点含 node_id, type(case/law/interpretation), content, layer |
| edges | array | 图边数组，每边含 source, target, relation(cites/supersedes/interprets/applies_to), weight |
| researcher_output | object | Researcher 标注（含 retrieved_nodes, retrieval_paths, relevance_scores） |
| auditor_output | object | Auditor 标注（含 verified_nodes, trust_scores, contradictions, temporal_validity） |
| adjudicator_output | object | Adjudicator 标注（含 reasoning_chain, final_answer, confidence, legal_basis） |
| ground_truth | string | 标准答案（专家标注） |
从裁判文书、法律法规、司法解释三源数据中抽取法律实体节点，建立案例层、法规层、解释层三层图结构，标注节点间引用、修改、解释、适用等关系边。
针对法律查询问题，标注从图中检索相关证据节点的路径、相关度评分（0-1）、候选证据集合，记录多跳检索过程。
对 Researcher 检索的证据进行严格验证，标注可信度、时效性（法规是否当前有效）、矛盾检测（证据间是否存在冲突）。
综合验证后的证据进行法律推理，标注完整推理链、最终结论、置信度评估、法律依据列表，与专家标准答案对比。
对标 CaseFacts（ACL 2026 Long Paper），构建法律事实核查与先例检索专用基准数据集。包含案件事实验证、证据链完整性评估、先例匹配正负样本标注，支撑法律事实核查 AI 训练与法律 RAG 系统评估。
CaseFacts（ACL 2026 Long Paper, Putta et al.）是首个针对法律领域事实核查和先例检索的专用基准，填补了通用事实核查基准在法律场景中的空白。该研究揭示了：
结合 PLAWBENCH（ACL 2026, 面向真实法律实践的量规评估基准）和 HEC Paris AI 幻觉案例数据库（2026年7月，1,809 件全球法院裁决涉及 AI 虚构内容），朗慧科技构建覆盖法律事实核查全链路的标注数据集。
验证案件陈述事实是否与裁判文书原始记载一致，检测事实歪曲与编造。
评估证据链是否完整，是否存在证据缺失、证据矛盾、非法证据排除。
标注案件与先例的正负样本对，含类案匹配、区分案例、先例效力层级。
验证法律引文（法条、案例号）是否真实存在、引用是否准确、是否断章取义。
标注 AI 生成法律内容中的幻觉（虚构法条、编造案例号、错误适用法规），对标 ABA 幻觉率 17%-33% 研究。
| 字段名 | 类型 | 说明 |
|---|---|---|
| dataset | string | 数据集标识，固定为 "legal-fact-checking" |
| sample_id | string | 样本唯一编号，格式 "LFC-2026-XXXXXX" |
| check_dimension | enum | 核查维度：fact_verification / evidence_chain / precedent_match / citation_check / hallucination_detect |
| claim | string | 待核查的法律陈述（自然语言） |
| label | enum | 核查结论：verified（已验证）/ refuted（已反驳）/ partially_verified（部分验证） |
| evidence | array | 证据数组，每条含 source, content, relevance, credibility |
| error_type | enum | 错误类型（负面样本）：fabricated_law / fabricated_case / distorted_fact / out_of_context / broken_chain / none |
| precedent | object | 先例匹配信息（含 precedent_case_id, match_type, similarity_score, court_level） |
| reasoning | string | 核查推理过程（从证据到结论的推理链） |
| confidence | float | 标注置信度 0.0-1.0 |
从裁判文书、法律问答、AI 生成内容中采集真实法律陈述作为正面样本；由法律专家构造注入错误的负面样本（虚构法条、篡改事实、断章取义等）。
从国家法律法规数据库、裁判文书网检索支撑证据，标注证据来源、相关度、可信度，验证法律陈述与原始法律文本的一致性。
为每个样本标注匹配的先例案例（含正负样本），对负面样本进行错误类型分类（fabricated_law / fabricated_case / distorted_fact / out_of_context / broken_chain）。
标注从证据到核查结论的完整推理过程，由执业律师进行初审、法学教授终审，争议样本提交合议庭标注，确保标注质量。
标注员初审→审核员复审→法律专家终审，每级独立标注，分歧超阈值进入合议。
10% 样本双盲交叉标注，计算 Cohen's Kappa 一致性系数，要求 κ ≥ 0.80。
预置 1,000 条专家标注黄金集，每批标注完成后进行自动化验证，准确率要求 ≥ 95%。
训练法律事实核查 AI，自动验证法律陈述的真实性，检测 AI 生成内容中的幻觉与错误，对标 ABA 幻觉率 17%-33% 研究的治理需求。
作为法律 RAG 系统的评估基准，评测检索准确性、引文验证能力、幻觉检测效果，对标 CaseFacts 和 PLAWBENCH 基准。
支撑司法辅助 AI 的事实验证模块，自动核查案件陈述与证据的一致性，辅助法官快速识别事实争议。
训练法律文书质量检测 AI，自动检查法律文书中的引文准确性、事实陈述一致性、证据链完整性。
本业务拆解文档基于 2026 年 7-8 月最前沿法律 AI 学术成果编制，对标 LexKairos（arXiv:2608.09106）、LegalGraphRAG（ACL 2026）、CaseFacts（ACL 2026）、PLAWBENCH（ACL 2026）等顶级研究。数据来源、规模、字段、授权范围、标注要求及交付方式以合规审核与书面项目约定为准。
长沙朗慧信息科技有限公司 · DataAssetsAPI · 2026年8月