Seguimiento de artículos

Los grandes modelos de lenguaje justifican cada vez más las decisiones jurídicas nombrando la ley o el precedente en que se basa un fallo, lo que se toma como prueba de que la decisión se deriva de ello. Lo comprobamos directamente: manteniendo fijos los hechos del caso, sustituimos la fuente jurídica nombrada por otra sin relación y decodificamos el fallo que va formando el modelo a partir de sus estados ocultos. En siete modelos de pesos abiertos (8B-70B) y cuatro bancos de pruebas de razonamiento judicial y contractual, cuando se les exige expresamente justificar un fallo nombrando la fuente aplicable, los modelos nombran la correcta en el 66,7 %-100 % de las generaciones, mientras que el cambio de fallo cuando cambia la fuente es mucho menos constante: 0,0 %-21,7 % en CaseHOLD, 30,0 %-76,7 % en ECHR y SCOTUS, y 43,3 %-50,0 % en ContractNLI. Ni la escala ni un modelo creado específicamente para el razonamiento jurídico (una reproducción LoRA lo más fiel posible; sección 6) cierran esta brecha. Una evaluación de red teaming en cinco modelos principales muestra que el cumplimiento de una instrucción maliciosa oculta en los hechos del caso (73,3 %-96,4 %) supera con amplio margen la sensibilidad al cambio de fallo, sin excepción en todas las clasificaciones de modelos. Nombrar una fuente jurídica es, por tanto, un mal indicador de la dependencia del fallo respecto de ella, y ese mismo fallo sigue siendo vulnerable por separado a la manipulación maliciosa. Ambos resultados se replican en comprobaciones que descartan el ruido de formulación del prompt y el muestreo con factores de confusión, y afectan directamente al uso de explicaciones jurídicas generadas como prueba de cumplimiento o de auditoría. (Traducción de Tokenization Architect; prevalece el original en inglés.)

Los grandes modelos de lenguaje se usan cada vez más en la investigación y la redacción jurídicas, pero aún pueden producir afirmaciones que suenan convincentes sin estar respaldadas por la fuente citada. Presentamos PARCEL, un banco de pruebas para comprobar si una afirmación jurídica está respaldada por la fuente subyacente. A partir de sentencias recientes del Tribunal de Apelaciones del Estado de Nueva York, construimos un conjunto de datos de 3.396 afirmaciones de tipo parentético etiquetadas como Respaldada, Refutada o No encontrada. Planteamos la tarea como un problema de inferencia en lenguaje natural de tres clases y evaluamos varios LLM de vanguardia sin ejemplos previos (zero-shot). Aunque los modelos más potentes alcanzan una exactitud de hasta 0,97, los resultados muestran también una debilidad importante: los modelos siguen marcando erróneamente como respaldadas afirmaciones que no lo están, incluso cuando se les proporciona el texto completo de la sentencia. En todos los modelos, la falta de respaldo es más difícil de detectar que la contradicción directa, y las citas inventadas pero verosímiles provocan la mayor caída de rendimiento. En conjunto, PARCEL ofrece un banco de pruebas práctico para evaluar la fundamentación por afirmación en los sistemas RAG jurídicos. (Traducción de Tokenization Architect; prevalece el original en inglés.)

El volumen de transferencias on-chain se usa a menudo para describir la actividad en los activos del mundo real (RWA) tokenizados, aunque las transferencias registradas pueden reflejar funciones económicas muy distintas, como la creación y la destrucción de tokens, operaciones relacionadas con el emisor y movimientos entre otras direcciones. Las medidas de propiedad tienen un problema similar, porque el saldo elevado de una dirección puede pertenecer a un pool o a un intermediario que representa a varios inversores. Abordamos estos dos problemas de medición descomponiendo la actividad de transferencias y haciendo explícita la cobertura de la propiedad. La rotación de transferencias se calcula antes y después de separar las categorías de eventos observables, con el mismo activo, la misma ventana de observación y el mismo denominador de oferta. Para la propiedad, comparamos la concentración medida sobre la oferta total con la concentración entre las direcciones que quedan tras excluir a los intermediarios identificados. Con fondos tokenizados basados en Ethereum de diciembre de 2025 a agosto de 2026, constatamos que la clasificación de las transferencias puede cambiar de forma sustancial la rotación medida. También mostramos que eliminar a un intermediario puede reducir la concentración medida sobre la oferta total mientras aumenta la concentración entre las direcciones restantes. La actividad de transferencias y la concentración por direcciones deben interpretarse teniendo en cuenta las funciones de las transacciones subyacentes y la cobertura de la propiedad. Estas medidas aportan indicios sobre la actividad relacionada con la liquidez, pero no miden directamente la liquidez de mercado. El código y los datos del análisis están disponibles en esta URL https. (Traducción de Tokenization Architect; prevalece el original en inglés.)