AI 法律查詢的時效性缺陷與風險

慕尼黑工業大學（Technical University of Munich）的研究指出，大型語言模型在回答德國法規問題時常出現兩種失敗模式：套用訓練截止日之後已被廢止的規則，或在舊法條適用於事實時仍偏好較新的條款。

該研究發現，若僅讓模型自行回答，其在訓練截止日後的問題正確率僅為 24%；即使檢索相關法規文本後提升至 87%，作者仍強調必須將時間有效性視為硬性限制條件。

另一項由同一團隊進行的測試顯示，當要求模型套用德國修訂法來生成舊版條文時，輸出結果與官方文本的相似度雖高達 93% 至 99%，但僅有一半的單一修訂和五分之一的連續修訂鏈完全匹配。

專家審查發現這些看似接近的結果中存在具有法律意義的錯誤，這表明單純依賴生成器產出舊法條文本並不足以確保準確性，歷史記錄必須是可驗證的。

美國法典的版本控制重建方法

Lexifina 團隊針對 2017 年以後的法典發布點進行分析，提取期間內通過的公開法律，並按日期順序對舊文本執行修訂指令，再將結果與較新的版本進行比對。

在涵蓋九個章節的 365 次變更中，有 361 次完全重現了下一個發布點的內容。其餘四次無法完全確認的情況已被標註說明其可驗證的程度。

系統記錄了每次變更具體的法律依據與生效日期：261 次依預設在制定時生效，72 次依生效日期註記，29 次依修訂案中的日期。

有一項變更依賴可能永遠不會出現的行政機構決定，團隊選擇將其從文本中排除而非猜測，以維持記錄的嚴謹性。

系統功能與使用者互動方式

該系統允許使用者選擇特定日期，查看當時生效的法條文本，並標記出與今日內容不同的部分。每個片段的顏色對應撰寫該內容的法律法案。

當定義術語發生變更時，系統會列出所有使用該術語的其他條款，讓使用者可以追蹤自上次瀏覽以來章節的變化。

這種設計旨在回答律師常見的問題，即特定時間點有效的文本、變更生效的日期以及任何回溯適用法律的範圍。

目前限制與未來發展方向

系統目前尚未顯示後續法律對其涵蓋之早期日期的回溯影響。例如，對於 2022 年空窗期提交的案件，系統會顯示較低的債務人門檻，而不會警告 2022 年 6 月的法案已改變了答案。

生效日期註記是透過模式匹配讀取的，不尋常的措辭會回退到制定日期作為預設值。

團隊建議對於任何重要事項，使用者仍應閱讀原始法律文本，因為每個變更都連結至法律本身的文字。

開發者表示仍在思考該系統最適合的產品形態（form factor），目前尚未確定最終的發布形式。