AI4Contracts：基于 LLM 与 RAG 的金融衍生品合约编码
信息检索
2025-06-03 v1
摘要
大型语言模型（LLM）和检索增强生成（RAG）正在重塑人工智能系统从非结构化文本中提取和组织信息的方式。一个关键挑战是设计能够在保留层级和上下文关系的同时，增量地提取、结构化和验证信息的 AI 方法。我们引入了 CDMizer，这是一个模板驱动、基于 LLM 和 RAG 的结构化文本转换框架。通过利用基于深度的检索和分层生成，CDMizer 确保了一个受控的、模块化的过程，使生成的输出与预定义的模式保持一致。其模板驱动的方法保证了语法的正确性、模式的遵从性以及可扩展性的提升，解决了直接生成方法的关键局限性。此外，我们提出了一个基于 LLM 的评估框架，以评估结构化表示的完整性和准确性。通过在将场外交易（OTC）金融衍生品合约转换为公共领域模型（CDM）中的演示，CDMizer 为更广泛背景下的 AI 驱动文档理解、结构化合成和自动验证奠定了可扩展的基础。
引用
@article{arxiv.2506.01063,
title = {AI4Contracts: LLM & RAG-Powered Encoding of Financial Derivative Contracts},
author = {Maruf Ahmed Mridul and Ian Sloyan and Aparna Gupta and Oshani Seneviratne},
journal= {arXiv preprint arXiv:2506.01063},
year = {2025}
}
备注
8 pages, 3 figures, 2 tables