いくつかの優れた条項：LLMとドメイン訓練された小規模言語モデルによる構造化契約抽出の比較

最近、arXivに掲載された研究により、ドメイン訓練された小規模言語モデル（SLM）と最先端の大規模言語モデル（LLM）の構造化契約抽出タスクにおける性能が比較されました。この研究はNicole Lincoln、Nick Whitehouse、Jaron Mar、Rivindu Pereraによって行われ、2026年5月7日に提出されました。

研究チームは、自己ホスト型の法律ドメイン混合専門家モデルであるOlava Extractを、5つの最先端モデルと対決させました。その結果、Olava Extractは総合性能で最も優れ、マクロF1スコア0.812、マイクロF1スコア0.842を達成し、推論コストを比較対象の最先端モデルと比べて78%から97%削減しました。このコスト削減は、企業がAIを導入する際の経済的障壁を大幅に低減するものです。

さらに、Olava Extractは最高の精度スコアを達成し、幻覚やサポートされていない抽出結果が最も少ないことが示されました。法務ワークフローでは、幻覚が契約条項の誤解釈や不正確な情報を引き起こし、運用リスクや後続のレビュー負担を増大させるため、この特性は特に重要です。Olava Extractの高精度は、法務チームがより信頼性の高い自動化を実現する助けとなります。

この研究の結果は、高性能な法務AIが必ずしも最大の外部ホストモデルを必要としないことを示しています。より広く言えば、商業価値のあるエンタープライズAI能力が、ますます大型化するモデル、莫大なインフラ投資、集中型ホストプロバイダーに結びつかなければならないという前提に挑戦しています。Olava Extractの成功は、ドメイン固有のトレーニングと効率的なモデルアーキテクチャ（混合専門家モデルなど）により、小規模言語モデルが特定タスクで大規模モデルを凌駕し、同時にコストを大幅に削減できることを示しています。また、自己ホスト型の展開は、機密性の高い法律文書を扱う企業にとって重要なデータセキュリティとプライバシー保護を強化します。

この研究は、法務テクノロジー分野に新たな方向性を示すとともに、AI業界全体に対して、モデル規模の追求だけでなく、ドメイン知識と効率性の最適化の重要性を再認識させます。将来的には、医療、金融、コンプライアンスなど、他の垂直産業でも同様のドメイン特化型小規模モデルが、低コストで高精度な自動化を実現するために活用されることが期待されます。著者はNicole Lincoln、Nick Whitehouse、Jaron Mar、Rivindu Pereraです。