少数优秀条款：比较LLM与领域训练的小语言模型在结构化合同提取上的表现

近日，一项发表在arXiv上的研究对领域训练的小语言模型（SLM）与前沿大语言模型（LLM）在结构化合同提取任务上的表现进行了全面对比。该研究由Nicole Lincoln、Nick Whitehouse、Jaron Mar和Rivindu Perera共同完成，论文于2026年5月7日提交，引发了广泛关注。

研究团队测试了名为Olava Extract的自托管法律领域混合专家模型，与五款前沿大型语言模型进行了严格比较。结果显示，Olava Extract在综合性能上表现最佳，宏F1达到0.812，微F1达到0.842，同时推理成本相比前沿模型降低了78%至97%。这一显著的成本优势意味着企业可以在不牺牲性能的情况下大幅减少AI部署的财务负担。

更重要的是，Olava Extract在精确度上取得了最高分数，生成的幻觉和未支持的提取结果远少于其他模型。在法律工作流程中，幻觉可能导致严重的操作风险，比如遗漏关键条款或生成误导性信息，从而增加后续的人工审查负担。Olava Extract的高精确度特性因此具有重要的实际价值，能够帮助法律团队更可靠地自动化合同分析。

研究的发现挑战了当前业界普遍认为高性能企业AI必须依赖越来越大模型、庞大基础设施支出和集中托管提供商的观点。Olava Extract的成功表明，通过领域特定的训练和高效的模型架构（如混合专家设计），小语言模型可以在特定任务上超越大模型，同时大幅降低成本。此外，自托管的部署方式还能增强数据安全性和隐私保护，这对于处理敏感法律文档的企业来说尤为重要。

这项研究不仅为法律科技领域提供了新的思路，也对整个人工智能行业产生了启示：在追求模型规模的同时，不应忽视领域知识和效率优化的价值。未来，类似的领域专用小模型有望在更多垂直行业（如医疗、金融、合规等）中推动AI技术的实际落地，帮助企业以更低成本获得高精度的自动化能力。论文作者包括Nicole Lincoln、Nick Whitehouse、Jaron Mar和Rivindu Perera。