法律先例分类新基准：LLM 在负面处理分类中的表现评估

该论文针对法律先例中负面处理的自动分类任务，提出了一种更稳健的评估框架。研究基于一个由专家标注的239个真实法律引用数据集，并引入新的平均严重性错误指标来衡量分类错误的实际影响。实验显示，Google的Gemini 2.5 Flash在高层次分类任务中准确率最高（79.1%），而OpenAI的GPT-5-mini在更复杂的细粒度分类中表现最佳（67.7%）。这项工作为法律领域的NLP任务建立了关键基线，并提供了新的评估工具。