CVPD at QIAS 2026: RAG-Guided LLM Reasoning for Al-Mawarith Share Computation and Heir Allocation

Resumo Técnico: CVPD no QIAS 2026

1. Problema e Contexto

O trabalho aborda a tarefa complexa de raciocínio jurídico islâmico sobre heranças (Ilm al-Mawarith). Este não é um problema de simples recuperação de texto, mas uma tarefa de raciocínio legal multiestágio que exige:

• Identificação de herdeiros elegíveis.
• Resolução de bloqueios (hajb).
• Atribuição de cotas fixas e residuais.
• Cálculo de ajustes globais ('Awl para aumento de cotas ou Radd para redistribuição).
• Geração de uma distribuição final consistente (post-taşîl).

Desafios Principais:

• Variação Legal: As regras variam entre as diferentes escolas Sunni (madhāhib) e codificações de direito civil nacionais.
• Precisão Numérica e Estrutural: O sistema deve garantir consistência aritmética rigorosa e seguir um esquema de saída estruturado estrito.
• Limitações de Modelos Puros: Modelos de Linguagem (LLMs) padrão, mesmo os mais avançados, tendem a falhar na consistência de estágios intermediários e na precisão aritmética quando não possuem suporte externo.

O artigo apresenta a solução da equipe CVPD para o desafio QIAS 2026 (Islamic Inheritance Reasoning), onde o sistema alcançou o 1º lugar no leaderboard de teste cego.

2. Metodologia

A equipe propôs um pipeline de Geração Aumentada por Recuperação (RAG) com restrições de esquema, composto por quatro componentes principais:

A. Construção de Base de Conhecimento (Síntese de Dados)

• Em vez de depender apenas de dados reais limitados, os autores criaram um corpo sintético de 100.000 casos jurídicos.
• Utilizaram um calculador simbólico determinístico para resolver cada caso passo a passo (elegibilidade, bloqueio, cotas, ajustes) antes de gerar o texto.
• Isso garante que cada exemplo gerado seja juridicamente válido e aritmeticamente consistente por construção.
• Os dados foram renderizados em quatro visões: texto do problema, Q&A natural, rastro de raciocínio explícito e saída estruturada completa.

B. Recuperação Híbrida e Reranking

• Recuperação Híbrida: Combina busca semântica densa (embeddings) e busca lexical esparsa (BM25).
• Fusão de Rank Recíproco (RRF): Os resultados das duas fontes são fundidos com pesos $\alpha=0.7$ (semântico) e $\beta=0.3$ (lexical).
• Reranking: Um cross-encoder reclassifica os top-$K$ documentos para selecionar os precedentes mais relevantes como contexto para a geração.
• Ablação de Fontes: O estudo demonstrou que o uso exclusivo de PDFs jurídicos curados superou significativamente o uso de fontes da web ou combinações mistas em termos de coerência semântica e precisão legal.

C. Geração Estruturada com Restrições

• Modelo Base: Utilizou-se o Qwen3.5-9B.
• Prompting: O modelo recebe o contexto recuperado e é instruído a decompor a resposta em duas partes:
  1. Raciocínio explícito (<thinking>).
  2. Resposta final estruturada em JSON (<answer>).
• O objetivo é forçar o modelo a "pensar" antes de gerar a estrutura final, mantendo a legibilidade humana e a máquina.

D. Parsing e Validação Determinística

• Uma camada pós-processamento valida a saída gerada contra quatro tipos de restrições:
  1. Chaves ($C_{keys}$): Verifica a presença de campos críticos (herdeiros, cotas, status de ajuste).
  2. Tipos ($C_{types}$): Garante que os tipos de dados estejam corretos.
  3. Rótulos ($C_{labels}$): Valida valores legais permitidos.
  4. Coerência de Massa ($C_{mass}$): Assegura que a soma das cotas dos herdeiros seja coerente (aproximadamente 100%, com tolerância $\epsilon=5$).
• Se chaves não críticas estiverem faltando, o sistema aplica valores padrão para garantir a completude da submissão.

3. Contribuições Chave

1. Síntese de Dados Guiada por Regras: A criação de um corpus sintético massivo e juridicamente válido, gerado por um motor simbólico, que supera a escassez e o desequilíbrio de dados reais (especialmente para cenários raros de Radd).
2. Pipeline RAG com Validação Determinística: A demonstração de que a combinação de recuperação de precedentes jurídicos curados com validação de esquema pós-geração é superior a simples fine-tuning ou orquestração de agentes multi-modelos para tarefas de alta precisão.
3. Análise de Fontes de Dados: Evidência empírica de que, para raciocínio legal de alto risco, corpora de domínio restrito (PDFs jurídicos) são superiores a dados da web aberta em termos de qualidade semântica e precisão.

4. Resultados

• Desempenho no QIAS 2026: O sistema alcançou uma pontuação MIR-E (Mawarith Inheritance Reasoning Evaluation) de 0.935, ficando em 1º lugar no leaderboard oficial de teste cego (superando o 2º lugar por uma margem estreita de 0.004 pontos).
• Comparação com Modelos Off-the-Shelf: Modelos base sem o pipeline proposto (como Qwen 3.5 9B puro) obtiveram apenas 0.347, evidenciando que o raciocínio legal bruto do LLM é insuficiente sem suporte estrutural e de recuperação.
• Ablação de Fontes: A configuração "PDF-only" atingiu uma pontuação combinada de 0.718 na recuperação, enquanto "Web-only" atingiu apenas 0.463, confirmando a superioridade de fontes curadas.

5. Significado e Conclusão

O trabalho demonstra que, para tarefas de raciocínio legal árabe de alta precisão, a evolução não depende apenas de modelos de linguagem maiores, mas sim de:

• Controle Explícito da Qualidade da Evidência: Uso de bases de conhecimento jurídicas curadas.
• Consistência de Estágio: Validação rigorosa de cada etapa do raciocínio.
• Conformidade de Esquema: Mecanismos determinísticos para garantir que a saída seja estruturalmente correta.

Limitações e Futuro:
O sistema ainda enfrenta desafios em interações complexas de bloqueio multi-geracional (hajb) e casos de borda raros de frações. O trabalho futuro visa expandir a cobertura para todas as escolas Sunni, incorporar restrições de grafos de bloqueio para reduzir erros simbólicos e incluir revisão por especialistas jurídicos para avaliar a fidelidade das explicações além da métrica MIR-E.

Em suma, o artigo estabelece um novo paradigma para IA jurídica: raciocínio híbrido (simbólico + neural) com validação estrita é a chave para a confiabilidade em domínios legais complexos.