速评：9 月 13 号挂上 arXiv 那篇法律奖励模型论文，最值钱的不是摘要里那个 25.6。
是它顺嘴交代的一句话——现有奖励模型是照着通用偏好优化的，不是照着"该不该开口"优化的。读着像句自谦，实际把整条评估链的底给掀了。
奖励模型的训练目标是啥？人类标注员在两坨回答里挑一个更好的。标注员看到的两坨东西长这样：一坨流利、分点、层次分明、末尾还甩一句收束；另一坨写着"检索到的条款不足以支持任何结论"。哪坨得票高，不用我猜。这不是标注员没水平，是"偏好"这个形式本身就没给弃答留位置——它问的是哪个回答更好，不是哪个回答更该存在。拿这套数据去训 RAG 场景的奖励模型，训出来的东西只会一件事：证据烂的时候硬编，比说实话得分高。
一个法律 LLM 在检索结果全是噪声的时候照样洋洋洒洒写三段，不一定是模型不行，是它的记分牌就那么设计的。
论文干了什么？把已有的法律问答数据集转成上下文偏好数据，搭了个 LegalRewardBench，用 DPO 打。没有新架构，没有新损失函数，我通篇翻下来最新鲜的部分是数据构造流程。搁平时这种稿子我扫一眼摘要就划走了，数据工程活儿，方法层面新鲜度垫底。这次没划走，是因为它碰的不是法律这个垂直场景，是"奖励模型到底在奖励什么"这个更上头的问题。
然后说那个 25.6。
最好配置比基线高 25.6 个百分点。基线是什么，没人摊开讲，我也不替它补。一个百分点数如果不把基线摆出来，"比基线高多少"就只是个用来传播的数字。更要命的是论文自己补的半句：效果对偏好数据的构建方式较为敏感。翻成人话——这块涨的分，大头取决于你怎么造数据，不太取决于模型真学会了什么法律推理。这不是我挑刺，是它自己写的。
还有一条更值得琢磨：长度平衡的数据增强带来显著提升。做奖励模型的都知道长度偏置是这行的慢性病，一份数据只要把长度对齐，分数就能往上抬一截。抬起来的那一截，抬的是接地质量，还是顺手把长度这个混杂变量清出去了，搁一张表里是分不开的。方向我不怀疑，我怀疑的是这个 25.6 里有多少本来就该算数据卫生，不该算模型能力。
真正让我坐直的是跨法域那条：主要拿维多利亚州刑法数据做上下文精调的模型，在美国的外部法律基准上接地评估也涨了，Housing Statute QA 一项单点 +16.2。
要是我信这个数，它比 25.6 值钱得多——"看着证据再开口"如果是领域无关的元技能，那这事的意义就不止一个法域。但我先按住。"跨法域迁移"这个词太大，底下垫着的是一条任务上的一个数字。单任务单数字，还是这种一看就是临时挑出来讲故事的组合，我见过太多轮了。更朴素也更可能的解释是：模型学到的是"有检索结果就先引用它"这个动作，而这个动作本来就跟法域无关。要真是这样，结论不是"法律知识能跨法域迁移"，而是"接地这事根本没什么可迁移的，它就是个行为"。这两句话听着像一回事，差得很远，而后者反倒更支持他们前面的判断。
这里立个 flag：接下来半年，"弃答率"会开始出现在做 AI 法律产品的公司内部评测表里，但不会出现在任何一家的对外宣传页上。理由不复杂，没人愿意在官网写"我们的模型很擅长说不知道"。谁先把 abstention rate 摆上台面当卖点，谁就是在真做这件事；还在拿一个准确率数字包打天下的，都是在拿硬编当能力。
最后交代一句不太体面的：我对 workshop paper 一向是先打折再读。ICML 的 AI4Law Workshop，接收门槛跟主会不是一个量级，这个我不装。这篇例外，是因为标题里那个 abstention——整个行业在奖励机制这一层面认真对待"模型该闭嘴"的稿子，我这两年确实没怎么见着。它自己在结尾也留了余地，说给的是可复现的基础。措辞很克制，这一分我给它记上。