Papers-Tracker

Große Sprachmodelle begründen juristische Entscheidungen zunehmend, indem sie das Gesetz oder Präjudiz hinter einem Urteil nennen, was als Beleg dafür gilt, dass die Entscheidung daraus folgt. Wir prüfen das direkt: Bei unverändertem Sachverhalt ersetzen wir die genannte Rechtsquelle durch eine fremde und lesen das sich entwickelnde Urteil eines Modells aus seinen verborgenen Zuständen aus. Über sieben Open-Weight-Modelle (8B-70B) und vier Benchmarks zu richterlichem und vertraglichem Schließen hinweg nennen die Modelle, wenn sie ein Urteil ausdrücklich durch Angabe der maßgeblichen Rechtsquelle begründen müssen, in 66,7 %-100 % der Ausgaben die richtige, während sich das Urteil bei geänderter Rechtsquelle weit weniger konsistent ändert: 0,0 %-21,7 % bei CaseHOLD, 30,0 %-76,7 % bei ECHR und SCOTUS sowie 43,3 %-50,0 % bei ContractNLI. Weder Größe noch ein eigens für juristisches Schließen gebautes Modell (eine bestmögliche LoRA-Reproduktion; Abschnitt 6) schließt diese Lücke. Eine Red-Teaming-Evaluation an fünf Kernmodellen zeigt, dass die Befolgung einer im Sachverhalt versteckten manipulativen Anweisung (73,3 %-96,4 %) die Empfindlichkeit gegenüber dem Austausch der Rechtsquelle deutlich übersteigt, ausnahmslos über alle Modellrangfolgen hinweg. Die Nennung einer Rechtsquelle ist daher eine schlechte Ersatzgröße für die Abhängigkeit eines Urteils von ihr, während dasselbe Urteil zugleich anfällig für manipulative Eingriffe bleibt. Beide Befunde bestätigen sich in Kontrollen, die Rauschen durch Prompt-Formulierungen und verzerrte Stichproben ausschließen, und betreffen unmittelbar den Einsatz generierter juristischer Erklärungen als Compliance- oder Prüfnachweise. (Übersetzung von Tokenization Architect; maßgeblich ist das englische Original.)

Große Sprachmodelle werden zunehmend in juristischer Recherche und beim Entwerfen von Texten eingesetzt, können aber weiterhin überzeugend klingende Aussagen erzeugen, die von der zitierten Quelle nicht gestützt werden. Wir stellen PARCEL vor, einen Benchmark, der prüft, ob eine juristische Aussage von der zugrunde liegenden Rechtsquelle gestützt wird. Anhand aktueller Entscheidungen des New York State Court of Appeals erstellen wir einen Datensatz von 3.396 Aussagen im Stil von Klammerzusätzen, gekennzeichnet als Supported, Refuted oder Not Found. Wir fassen die Aufgabe als dreiwertiges Problem der natürlichsprachlichen Inferenz und evaluieren mehrere aktuelle LLMs im Zero-Shot-Verfahren. Obwohl die stärksten Modelle eine Genauigkeit von bis zu 0,97 erreichen, zeigen die Ergebnisse auch eine wichtige Schwäche: Die Modelle stufen nicht gestützte Aussagen weiterhin fälschlich als gestützt ein, selbst wenn der vollständige Entscheidungstext vorliegt. Über alle Modelle hinweg ist fehlende Stützung schwerer zu erkennen als direkter Widerspruch, und erfundene, aber plausible Zitate verursachen den größten Leistungseinbruch. Insgesamt bietet PARCEL einen praktischen Benchmark, um die Fundierung von Aussagen in juristischen RAG-Systemen zu testen. (Übersetzung von Tokenization Architect; maßgeblich ist das englische Original.)

Das on-chain-Transfervolumen wird oft genutzt, um die Aktivität bei tokenisierten Real-World-Assets (RWAs) zu beschreiben, obwohl erfasste Transfers sehr unterschiedliche wirtschaftliche Funktionen widerspiegeln können, darunter die Erzeugung und Vernichtung von Token, Vorgänge im Zusammenhang mit dem Emittenten und Bewegungen zwischen anderen Adressen. Eigentumsmaße stehen vor einem ähnlichen Problem, weil ein großes Adressguthaben einem Pool oder Intermediär gehören kann, der mehrere Anleger vertritt. Wir gehen diese beiden Messprobleme an, indem wir die Transferaktivität zerlegen und die Abdeckung des Eigentums explizit machen. Der Transferumsatz wird vor und nach der Trennung beobachtbarer Ereigniskategorien berechnet, mit demselben Vermögenswert, demselben Beobachtungszeitraum und demselben Angebotsnenner. Für das Eigentum vergleichen wir die am Gesamtangebot gemessene Konzentration mit der Konzentration unter den Adressen, die nach Ausschluss identifizierter Intermediäre verbleiben. Anhand Ethereum-basierter tokenisierter Fonds von Dezember 2025 bis August 2026 zeigen wir, dass die Klassifizierung von Transfers den gemessenen Umsatz erheblich verändern kann. Außerdem zeigen wir, dass das Entfernen eines Intermediärs die am Gesamtangebot gemessene Konzentration senken kann, während die Konzentration unter den verbleibenden Adressen steigt. Transferaktivität und Adresskonzentration müssen mit Blick auf die zugrunde liegenden Transaktionsfunktionen und die Abdeckung des Eigentums interpretiert werden. Diese Maße liefern Belege für liquiditätsbezogene Aktivität, messen die Marktliquidität aber nicht direkt. Code und Daten der Analyse sind unter dieser https-URL verfügbar. (Übersetzung von Tokenization Architect; maßgeblich ist das englische Original.)