Legal Research Bench：评测长流程法律研究 AI 智能体的端到端可靠性

Legal Research Bench（LRB）基准正式提出，包含 413 个美国法律研究开放问题，用于评测大语言模型智能体在长流程检索与分析中的端到端可靠性。对 13 个前沿模型的测试显示，表现最佳的 Claude Opus 4.8 全通过率仅为 42.9%，且在调和冲突法理依据时表现更低。此外，增加交互轮次、工具调用和推理成本并未带来更高准确率。