原创丨弥补法律判决预测的现实鸿沟：基于证据的法律事实预测（LFP）范式与LFPBench基准数据集（三）

本文针对现有法律判决预测研究主要基于既定法律事实，与实际诉讼早期仅掌握证据的情况存在逻辑与时序悖论的问题，提出了一种全新的任务范式——法律事实预测。该任务旨在利用当事人提交的证据预测法律事实，以填补从证据到判决的关键缺失环节。文章详细介绍了首个LFP基准数据集LFPBench的构建，并对包括GPT-4o、Claude 3.5 Sonnet以及多个法律垂域大模型在内的前沿模型进行了实证分析。实验结果表明，引入LFP任务能够显著缩小基于证据的预测与基于事实的预测之间的性能差距，平均减少了38.5%的准确率损失。同时，文章深入剖析了当前模型在处理冲突证据、长文本推理以及在证据数量与顺序上表现出的系统性偏见，并对法律垂域大模型可能存在的“灾难性遗忘”现象提出了反思。