LexLattice：用神经细胞自动机重塑多语言法律摘要

法律摘要为何执着于"抽取式"

法律文本摘要有一个绕不开的核心诉求：忠实性（Faithfulness）。在司法与合规场景中，摘要不能"编造"，而必须能追溯回原文。这正是抽取式摘要（Extractive Summarization）长期占据法律领域的原因——它直接从原文中挑选逐字逐句的内容，保证每一句结论都能定位到源文档。

但现有抽取式方法有个明显短板：它们通常孤立地对段落或结构单元进行排序打分，很少考虑证据在文档中"分散分布"的情况。一部法律文件里，关键论据往往横跨相隔甚远的多个条款，彼此共享语义重要性（salience）。逐段独立评分，会错过这种跨结构的证据整合。

arXiv 上的新论文《LexLattice: Multilingual Extractive Summarization via Neural Cellular Automata on Document Hierarchies》正是针对这一痛点提出的解法。

抽取式摘要（Extractive Summarization）与生成式摘要（Abstractive Summarization）是自动摘要领域的两条主要路线。生成式方法允许模型自由改写、融合语义，生成更流畅自然的摘要，但代价是可能引入"幻觉"（hallucination）——即模型捏造原文中并不存在的内容。这在通用场景下尚可容忍，但在法律、医疗、合规等高风险领域，任何无法追溯到原始文档的表述都可能引发严重后果。抽取式方法通过直接复制原文片段来规避这一风险，使每一条摘要内容都有明确的文本来源可供核验。ROUGE（Recall-Oriented Understudy for Gisting Evaluation）是评估摘要质量最广泛使用的指标体系，通过计算系统摘要与参考摘要之间的 n-gram 重叠率来量化摘要质量，ROUGE-1、ROUGE-2 和 ROUGE-L 分别衡量单字、双字和最长公共子序列的重叠程度。

LexLattice 的核心思路：把文档结构做成二维语义格

LexLattice 的关键创新在于对法律文件层级结构的建模方式。它把一部法律文件的层级（条、款、项等）"具象化"（reify）为一个二维语义格（two-dimensional semantic lattice），然后在选择摘要句之前，先在这个格上进行"整合"（consolidation）。

整合的工具是本文最有意思的部分——带掩码的二维神经细胞自动机（masked 2D Neural Cellular Automata）。神经细胞自动机原本多用于图像生成与形态发生模拟，其核心是让每个"细胞"根据邻居状态迭代更新。LexLattice 把这一机制迁移到文档结构上：让语义信息在格子的相邻单元间反复传播、聚合，从而把分散在文档各处的证据显式地整合到一起，再做最终的句子选择。

这种"显式结构整合"的路线，与当下靠堆参数、堆规模的主流思路形成了鲜明对比。

神经细胞自动机（Neural Cellular Automata，NCA）是将传统元胞自动机的规则从手工设计改为神经网络学习的变体。经典元胞自动机（如康威生命游戏）中，每个格子依据固定规则根据邻居状态在离散时间步上更新；NCA 将这一"更新规则"替换为可训练的神经网络，使格子状态的演化方式能从数据中习得。NCA 此前最广为人知的应用是图像生成与形态发生模拟——Google Brain 团队曾用它演示细胞如何通过纯局部通信"自组织"出全局形状。LexLattice 将这一机制迁移至文档理解：把法律文件的层级节点（条、款、项）映射为格子，用 NCA 的迭代邻域传播来代替人工定义的跨段落注意力机制，让语义信息沿文档结构自然扩散，从而无需显式建立远程依赖也能整合分散证据。"带掩码"（masked）则指在传播时遵循文档层级的结构约束，只在语义上相邻或同级的节点间传播信息，避免无关章节的干扰。

用 180 万参数打败数十亿参数的大模型

LexLattice 最引人注目的成绩，是它在 EUR-Lex-Sum 数据集全部 24 种语言上、在多语言与跨语言两种设定下，都取得了 state-of-the-art 的 ROUGE 分数。

更关键的是效率对比：它超越了拥有数十亿参数的指令微调（instruction-tuned）基线模型，而自身全部可训练参数只有 180 万（1.8M），且这些参数集中在一个整合器（consolidator）上，其底层是一个被冻结的多语言编码器。

换句话说，LexLattice 没有去微调庞大的编码器，而是只训练了一个极小的、负责"在文档结构上整合语义"的模块。这验证了一个重要观点：对于法律摘要这类任务，显式的结构建模可以替代盲目的规模扩张，用极小的算力成本换来更好、更可追溯的结果。

跨语言迁移：模型抓住的是"语义几何"而非表层文字

论文还报告了一个颇具启发性的发现。研究者只用高资源语言训练整合器，然后将其迁移到训练中未见过的语言上，结果保留率高达 0.99，几乎无损。

这一近乎无损的跨语言迁移说明：LexLattice 的整合器操作的对象是"语言无关的语义几何"（language-agnostic semantic geometry），而不是特定语言的表层形式。整合过程发生在语义格的抽象结构层面，因此天然具备跨语言的泛化能力。这对于需要覆盖多语种法律体系（如欧盟 24 种官方语言）的现实场景，具有直接价值。

EUR-Lex-Sum 是专为多语言法律摘要研究构建的基准数据集，覆盖欧盟官方的全部 24 种语言，内容来源于欧盟法律数据库 EUR-Lex 上的法规摘要。每份样本包含一篇完整的欧盟法规原文及其对应的官方人工摘要，且同一法规在各语言版本之间是平行对齐的，天然适合多语言与跨语言评估。该数据集的难点在于：不同语言的训练样本数量差异悬殊，低资源语言（如爱尔兰语、马耳他语）的标注数据极为稀少，而欧盟法律文本又有严格的层级结构（章节、条款、款项的嵌套关系），对结构建模能力提出了较高要求。LexLattice 在此数据集上的表现，尤其是低资源语言上的近乎无损迁移，正是其结构化整合策略价值的核心证明。

意义：可追溯、紧凑的规模替代方案

综合来看，LexLattice 传递出的核心信息是：在多语言法律摘要中，显式地在文档结构上做整合，是一条紧凑且可追溯的路径，可以作为"扩大模型规模"的替代方案。

• 从忠实性角度，抽取式路线本身保证了内容可追溯；
• 从效率角度，1.8M 参数的整合器远比数十亿参数的大模型经济；
• 从泛化角度，语义几何层面的操作带来了近乎无损的跨语言迁移。

对于法律科技、合规审查等对准确性与可解释性要求极高的领域，这类"小而精"的结构化方法，可能比一味追逐通用大模型更契合实际需求。当然，作为一篇新发布的预印本论文，其结论仍有待更广泛的复现与实际部署检验。