基于检索的多标签法律注释：可扩展、数据高效、无幻觉

多标签法律注释需要分配多个标签，从大型的、不断发展的分类法到长的、事实密集的文档，通常在有限的监督下。当标签集发生变化时，参数编码器通常需要针对特定​​任务的训练和重新训练，同时提示生成式 大语言模型 变得成本高昂，并且随着标签空间的增长而退化。我们将法律注释视为检索：我们使用冻结的检索模型嵌入文档和标签描述，并通过嵌入空间中的 k 最近邻来预测标签，从而通过重新嵌入和重新索引而不是基于梯度的反向传播来实现更新。在三个合法数据集（ECtHR-A、ECtHR-B 和带有 100 个标签的 Eurlex）中，检索实现了具有竞争力的准确性和强大的数据效率；在 Eurlex 上，Qwen-8B 检索将 Macro-F1 从 40.41（GPT-5.2，零样本）提高到 49.12，同时与 微调 相比，将估计计算量减少了 20-30 倍。仅使用 (N=100) 个训练样本，在 ECtHR-A 上的检索结果几乎是 Micro-F1 比分层 Legal-BERT 的两倍（48.29 vs. 27.87）。我们还量化了生成推理的可靠性故障模式：在确定性解码下，GPT-5.2 在 0.12-0.9% 的测试样本中幻觉出所提供的分类法之外的标签。相比之下，检索严格遵守定义的标签集，通过设计消除幻觉。这些结果表明，基于检索模型的注释器是高基数和快速变化的法律标签空间的实用、可部署的替代方案。