LegalBench
PulseAugur coverage of LegalBench — every cluster mentioning LegalBench across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的 Engram Adapter 提高了 LLM 的域专业化能力，同时保留了通用能力
研究人员开发了一个名为 Engram Adapter 的新框架，旨在提高大型语言模型 (LLM) 在专业领域的性能，而不会损害其通用能力。该方法利用预训练时的条件记忆作为冻结 LLM 的事后适配器，采用多通道匹配和占用跟踪系统来选择性地将学习到的扰动应用于域内输入。在 Qwen3 模型上的评估表明，Engram Adapter 显著提高了域内准确性，同时几乎保留了所有域外性能，甚至在其他方法出现性能下降的法律推理任务上，其表现优于基础模型。
-
Fireworks AI 发布 Tenet 模型用于法律工作，在不增加成本的情况下提升性能 · 跟踪 5 个来源
Fireworks AI 推出了 Tenet，这是与 Harvey 密切合作开发的、用于长期法律工作的新模型。Tenet 在 Kimi K3 基础模型上进行了后训练，在 Legal Agent Benchmark (LAB) 等法律基准测试中表现出显著的性能提升，全通过率从 10.8% 提高到 19.7%。这一进展是在没有成本增加的情况下实现的，每个任务的成本与其基础模型相似，但完成的任务量几乎翻倍。Tenet 在未专门训练的基准测试…
-
Harvey 和 Fireworks AI 发布用于法律工作的 Tenet 模型
Fireworks AI 发布了 Tenet，一个与 Harvey 密切合作开发的新模型，专门针对长时法律工作进行了训练。Tenet 是在 Kimi K3 基础模型上进行后训练的，在不增加成本的情况下显著提高了性能，每个 LAB 任务完成的任务量几乎是其基础模型的两倍。该模型在包括法律知识和代理人性能在内的各种基准测试中显示出普遍的改进，在 LAB Contracts 上取得了最先进的成果。
-
Harvey Tenet：新型法律代理模型利用Kimi K3和Fireworks
Harvey发布了Harvey Tenet，这是一款专为长时法律任务设计的新研究预览模型。该模型基于Kimi K3基础模型，并通过使用Fireworks进行异步强化学习进行增强，其训练语料库包括合成数据、公开法律数据和专家数据。在法律基准测试中，Harvey Tenet相比其基础模型有了显著改进，在LAB: Contracts上取得了最先进的成果，并在更广泛的Harvey's Legal Agent Benchmark (LAB)上表…
-
Fireworks AI 展示廉价精调可提升嵌入模型检索质量
Fireworks AI 详细介绍了一种经济高效的方法，可将通用嵌入式 LLM 精调为特定领域模型。他们的方法以 Qwen3-Embedding-8B 为例，显著提高了法律引文匹配和临床试验检索等专业任务的检索质量。此精调过程成本低于 10 美元，性能优于现成模型，并被认为是比从头开始训练嵌入模型更实用的替代方案。
-
新研究详细介绍了影响受监管工作流程的大语言模型故障模式
一篇新研究论文识别出一种名为“异常链崩溃”的前沿大语言模型故障模式，即模型错误地评估嵌套的条件规则。在 GPT-5.4 中观察到了此问题，在没有版本更新的情况下，特定任务的准确性会波动，对受监管的工作流程构成合规风险。为解决此问题，研究人员开发了 Aethis Eligibility Module，这是一种神经符号架构，它使用大语言模型生成规则，并使用确定性 SMT 求解器执行规则，从而确保一致且可审核的合规性。