推理者还是翻译者？税法中的污染感知评估与神经符号鲁棒性

大语言模型（LLM）的最新进展显著增强了自动化法律推理。然而，其表现究竟反映真实的法律推理能力，还是数据污染的产物，仍不清楚。我们对税法推理方法进行了全面的实证研究，并实现了一套污染检测协议以严格评估LLM的可靠性。我们表明，性能可能因污染而被夸大。在此分析的基础上，我们开展系统评估，将单一LLM与混合系统进行比较，后者把成文法文本翻译为形式化表示并将推理交给符号求解器。我们构建了一套新颖的测试集，通过案例与规则变体探测对未见文档的泛化能力。我们的发现表明，法律推理本质上是组合性的，神经符号框架为法律AI提供了更可靠、更鲁棒的基础，并对未见情形具有更好的泛化能力。