本文提出了一种新的摘要提取系统，以自动选择契约中最重要的义务、权利和禁令等内容进行合同文本的摘要生成，通过将其与几种文本排名基准进行比较，通过自动和人工评估，证明了该系统的有效性。
Dec, 2022
合同分析是一项重复且不可或缺的过程，为了避免业务风险和责任，需要识别和分类协议中的关键条款和段落。本研究提出了 LegalPro-BERT，一种预训练的大规模语言模型，经过法律分类校准后用于有效处理法律条款的分类任务，并通过与当前基准结果的比较证明其性能优于以往研究的基准。
Apr, 2024
该论文提出了一个新的共享任务来从法律文本中进行语义检索，并给出了在这个方法框架下提出的多个解决方案的评估。此外，针对文本片段相关性检测准确度的问题，提出了一些策略。最终，该论文展示了在法律领域专门化的语言模型方面的成果，这些模型已经公开。
Nov, 2019
该研究使用新的注释方案，将条款与条件合同中的不同类型从句子进行分类，旨在帮助法律专家快速识别和评估此类型法律文件中的问题。研究结果表明，通过在多语言 T5 和两种意大利 BERT 模型上进行少样本预训练，可以实现对分类的自动化，精度在 0.79 到 0.95 之间。
Feb, 2024
本研究提出了一种新的自然语言推理应用 —— 针对合同的 “文档级自然语言推理”，解决了合同审查过于耗时和过于昂贵的问题，并标注并发布了目前最大的包括 607 个合同的语料库。研究还指出，以往的模型在该任务上表现不佳，而研究者引入了一种新的算法，并通过多标签分类和更复杂的上下文分割方法使该任务取得了显著进展，并认为这一领域还有很大的改进空间。
Oct, 2021
运用大型语言模型及基于变压器的架构自动化提取房地产销售合同中的信息，以提高效率和准确性，并讨论相关挑战、技术和未来发展方向。
我们引入了一项新的法律 NLP 任务，通过生成澄清问题来识别合同中的歧义，从而帮助非法律相关的利益相关者获取引出需求所必需的细节。
Mar, 2024
该论文介绍了一种新方法，利用建筑合同领域知识来增强大型语言模型，以模拟由人类专家进行的合同审查过程，该方法在真实建筑合同上取得了良好的性能。
Sep, 2023
利用 Contract Understanding Atticus 数据集，研究团队尝试解决法律领域深度学习中的困境，发现 Transformer 模型存在潜在的问题，并将其作为专业 NLP 研究领域的挑战性基准。
Mar, 2021
本研究在法律文件上 fine-tuning BERT 模型具有优势，由于获取庞大的法律语料库的机密性质具有挑战性，因此这项成果对于商业协议的分析具有重要意义，并为合同分析的商业应用和学术研究提供了竞争优势。