Suivi des publications

Les grands modèles de langage justifient de plus en plus les décisions juridiques en citant la loi ou le précédent sur lequel repose une décision, ce qui est considéré comme la preuve que la décision en découle. Nous le testons directement : à faits constants, nous remplaçons la source juridique citée par une autre sans rapport et décodons la décision en formation du modèle à partir de ses états cachés. Sur sept modèles à poids ouverts (8B-70B) et quatre bancs d'essai couvrant le raisonnement judiciaire et contractuel, lorsqu'il leur est explicitement demandé de justifier une décision en citant la source applicable, les modèles citent la bonne dans 66,7 %-100 % des générations, tandis que le changement de décision lorsque la source change est bien moins constant : 0,0 %-21,7 % sur CaseHOLD, 30,0 %-76,7 % sur ECHR et SCOTUS, et 43,3 %-50,0 % sur ContractNLI. Ni la taille ni un modèle conçu spécifiquement pour le raisonnement juridique (une reproduction LoRA aussi fidèle que possible ; section 6) ne comblent cet écart. Une évaluation de red teaming sur cinq modèles principaux montre que l'obéissance à une instruction malveillante cachée dans les faits de l'affaire (73,3 %-96,4 %) dépasse largement la sensibilité au changement de décision, sans exception quel que soit le classement des modèles. Citer une source juridique est donc un mauvais indicateur de la dépendance d'une décision à son égard, et cette même décision reste par ailleurs vulnérable à la manipulation malveillante. Les deux résultats se répliquent dans des contrôles qui écartent le bruit lié à la formulation du prompt et les biais d'échantillonnage, et concernent directement l'utilisation d'explications juridiques générées comme pièces de conformité ou d'audit. (Traduction de Tokenization Architect ; l'original anglais fait foi.)

Les grands modèles de langage sont de plus en plus utilisés pour la recherche et la rédaction juridiques, mais ils peuvent encore produire des affirmations convaincantes qui ne sont pas étayées par la source citée. Nous présentons PARCEL, un banc d'essai qui vérifie si une affirmation juridique est étayée par la source sous-jacente. À partir de décisions récentes de la Cour d'appel de l'État de New York, nous constituons un jeu de données de 3 396 affirmations de type parenthétique, étiquetées Étayée, Réfutée ou Non trouvée. Nous formulons la tâche comme un problème d'inférence en langage naturel à trois classes et évaluons plusieurs LLM de pointe sans exemple préalable (zero-shot). Bien que les modèles les plus performants atteignent une exactitude allant jusqu'à 0,97, les résultats révèlent aussi une faiblesse importante : les modèles marquent encore à tort comme étayées des affirmations qui ne le sont pas, même lorsque le texte intégral de la décision leur est fourni. Pour tous les modèles, l'absence d'étayage est plus difficile à détecter que la contradiction directe, et les citations inventées mais plausibles entraînent la plus forte baisse de performance. Dans l'ensemble, PARCEL offre un banc d'essai pratique pour évaluer l'ancrage par affirmation des systèmes RAG juridiques. (Traduction de Tokenization Architect ; l'original anglais fait foi.)

Le volume de transferts on-chain est souvent utilisé pour décrire l'activité des actifs du monde réel (RWA) tokenisés, alors que les transferts enregistrés peuvent refléter des fonctions économiques très différentes, notamment la création et la destruction de tokens, des opérations liées à l'émetteur et des mouvements entre d'autres adresses. Les mesures de propriété se heurtent à un problème similaire, car le solde important d'une adresse peut appartenir à un pool ou à un intermédiaire représentant plusieurs investisseurs. Nous traitons ces deux problèmes de mesure en décomposant l'activité de transfert et en explicitant la couverture de la propriété. La rotation des transferts est calculée avant et après la séparation des catégories d'événements observables, avec le même actif, la même fenêtre d'observation et le même dénominateur d'offre. Pour la propriété, nous comparons la concentration mesurée par rapport à l'offre totale avec la concentration parmi les adresses restantes après exclusion des intermédiaires identifiés. À partir de fonds tokenisés fondés sur Ethereum de décembre 2025 à août 2026, nous constatons que la classification des transferts peut modifier sensiblement la rotation mesurée. Nous montrons également que retirer un intermédiaire peut réduire la concentration mesurée par rapport à l'offre totale tandis que la concentration parmi les adresses restantes augmente. L'activité de transfert et la concentration par adresse doivent être interprétées en tenant compte des fonctions des transactions sous-jacentes et de la couverture de la propriété. Ces mesures fournissent des indices sur l'activité liée à la liquidité, mais ne mesurent pas directement la liquidité de marché. Le code et les données de l'analyse sont disponibles à cette URL https. (Traduction de Tokenization Architect ; l'original anglais fait foi.)