法律人工智能平台供應商Litera宣布，其文件比較工具Litera Compare及企業人工智能搜尋（Firm AI Search）功能，現已透過插件整合至微軟Copilot法律版。這將30年來精準的文件比較技術及企業智能帶入律師的工作環境。配合這次整合，Litera已採用Microsoft 365 E7 Frontier Suite，獲取微軟企業人工智能堆棧最先進的層級，以加快新功能推廣至律師事務所及內部法律團隊。
Litera產品管理高級副總裁Joey Benedek指出，律師事務所及企業法律部門正日益將Copilot視為其生產力標準。他形容，這次整合將法律智能帶入相同的工作環境。Litera Compare提供高風險法律工作所需的確定性精準度，而企業人工智能搜尋則將分散的企業知識轉化為具引證、符合權限的答案，在最關鍵時刻提供協助。兩者結合，將法律實踐與業務整合為單一體驗。他又指，隨著公司採用E7 Frontier Suite，正加快將新功能推廣至依賴他們的律師事務所及內部法律團隊。
Litera將其可靠的文件比較及企業人工智能搜尋功能直接整合至微軟Copilot法律版，讓法律專業人士在其現有工作流程中獲取專業智能。 AP圖片
通用大型語言模型（LLMs）從未為法律文件比較所需的精準度而設計。Litera Compare採用專有演算法，比通用大型語言模型更為精準，能提供確定性結果，捕捉Microsoft Word、Excel、PowerPoint、PDF等文件中的所有變更。由於修改標記是確定性的，任何在其上疊加的人工智能都基於已驗證的輸出運作，而非概率性猜測。律師可利用Copilot總結修改標記、識別風險、制定緩解策略等，並確信底層比較結果是準確的。
大部分企業知識分散於不同系統，包括案件數據庫、客戶關係管理（CRM）平台、專業檔案及經驗記錄。當律師需要為提案尋找合適的同事或相關經驗時，往往需搜尋多個工具或依賴人脈。企業人工智能搜尋將這些數據整合至單一對話介面，提供具引證、符合道德規範及存取權限的答案。
透過插件，律師可直接在Copilot內以自然語言與兩項功能互動。例如，律師審閱合約時可詢問：「將這份草稿與對方發回的版本進行比較」，Copilot便會調用Litera的比較引擎，生成法律級別的修改標記。準備提案時，同一位律師可詢問：「我們事務所誰曾處理德國製藥公司的跨境併購工作？」，企業人工智能搜尋便會查詢Litera Foundation、案件系統及專業數據庫。
微軟科學與垂直業務合夥人總監Carina Negreanu表示，Microsoft Copilot旨在成為法律專業人士工作的人工智能層，這意味著將最佳的領域特定智能帶入體驗中。她形容，Litera透過插件整合Compare及企業人工智能搜尋，是具備深厚行業專業知識的合作夥伴如何擴展Copilot對法律專業人士價值的有力例證。
（美聯社）
螞蟻集團旗下具身智能公司Robbyant，今日宣布開源發布LingBot-Touch觸覺基礎模型。該模型旨在賦予機械人穩健的觸覺感知能力，填補其關鍵感官缺失。
該模型經過接近五千小時的真實世界觸覺數據預訓練，涵蓋三種主流感知模式，包括磁性觸覺、視覺觸覺及壓阻式感應。它能將這些多樣化的信號轉化為統一觸覺表徵，使不同靈巧機械手及動作模型得以共享及重用觸覺理解。這讓機械人在執行精細操作任務時，例如翻頁、擰開瓶蓋及識別麻將牌，不僅能「看得更清」、「想得更深」，更能「感受更敏銳」。
LingBot-Touch將磁性觸覺、視覺觸覺及壓阻式信號編碼為統一觸覺標記，供不同動作模型使用。 AP圖片
實現感應器與機械手之間的統一觸覺表徵
為機械人配備觸覺感應器，並非自動賦予其實用觸覺感知能力。商用觸覺感應器仍處於早期發展階段，視覺觸覺、磁性觸覺及壓阻式感應等方法，各自具備獨特優勢及局限。考慮到不同的成本結構及應用場景，多種技術路線預計將在可預見的將來共存。
數據兼容性是更根本的挑戰。同一物理接觸可根據感應原理及接觸點佈局，產生不同的原始信號。若模型僅學習解釋一種感應器，當感應器或靈巧機械手改變時，其觸覺經驗可能難以重用，迫使團隊重新收集數據、重新訓練模型及重新調整其系統。在硬件快速迭代的背景下，這種緊密耦合導致重複開發工作，並增加硬件供應商、機械人集成商及模型開發者的集成成本。
為使觸覺感知實現規模化，機械人必須擺脫對特定感應器信號的依賴。來自不同來源的數據應可共同訓練，而累積的觸覺能力應可在不同感應器、靈巧機械手、模型及任務之間重用。
LingBot-Touch透過統一架構應對這項挑戰。它為不同感應原理提供獨立編碼路徑，處理異構原始信號，並將來自不同佈局的接觸點映射到共享指尖坐標空間。隨後，一個共享模型學習接觸位置、力分佈及其時間演變，生成統一觸覺標記。
這項設計使從佩戴觸覺手套的人類及遙控靈巧機械手收集的數據，得以共同用於訓練。不同動作模型亦可利用已訓練模型提取接觸特徵。該架構亦旨在適應新興的觸覺感應器類型。
真實世界靈巧操作的顯著提升
為評估觸覺表徵如何提升真實機械人性能，Robbyant在Sharpa Wave及XHand兩款靈巧機械手上進行了二十六項真實世界測試。整合LingBot-Touch後，LingBot-VLA、π0.5、Diffusion Policy及T-Rex四個動作模型，平均任務成功率提升約百分之十四至二十六，相比沒有觸覺輸入的操作。
在其中一項具代表性的測試中，利用T-Rex控制Sharpa Wave擰開瓶蓋，沒有觸覺輸入時成功率為百分之五十六點二五；當原始感應器信號直接輸入策略時為百分之六十二點五。而透過LingBot-Touch的觸覺表徵，成功率則升至百分之九十。
在XHand上，Robbyant團隊進一步驗證了跨硬件重用性。XHand上使用的磁性觸覺感應器並未包含在LingBot-Touch的預訓練數據中；所有磁性觸覺經驗均來自人類手套收集的數據。為評估這項重用性，團隊保持LingBot-Touch的參數不變，僅使用XHand演示數據訓練動作模型。
靈活的模型尺寸及開源可用性
為平衡感知能力與設備上的計算限制，Robbyant提供兩種模型尺寸。所有二十六項真實世界測試均使用輕量級版本LingBot-Touch-Tiny完成，該版本包含約五百三十萬個參數。當與LingBot-VLA、π0.5及T-Rex整合時，它僅佔總模型尺寸的約百分之零點一三至零點一六。
較大容量版本在感知測試中展現出進一步潛力。隨著預訓練數據接近五千小時，該模型持續從額外數據中獲益，顯示觸覺預訓練仍有巨大的擴展及改進空間。
LingBot-Touch在四個不同動作模型上進行了評估，且不與Robbyant的專有模型綁定。它作為觸覺感應器與動作模型之間的通用感知層，而非為特定硬件平台或控制策略構建的專用模組。透過LingBot-Touch，感應器及靈巧機械手製造商可根據成本及任務要求選擇硬件，而機械人團隊則可保留其自身的動作策略。這顯著減少了每次採用新硬件與算法組合時，重新構建觸覺能力的需要。
LingBot-Touch的技術報告及代碼現已開源。開發者可在Hugging Face及GitHub上獲取及下載該模型。
Robbyant的統一機械人大腦已涵蓋高精度空間感知、高動態環境互動及通用靈巧操作，協助機械人看得更清、想得更深、行動更快。隨著LingBot-Touch現已整合至LingBot-VLA，機械人大腦的感知能力延伸至指尖，使機械人能「感受更敏銳」，進一步推動Robbyant的通用具身智能發展。
關於Robbyant
Robbyant是螞蟻集團旗下的具身智能公司，致力透過尖端軟硬件技術推動具身智能發展。Robbyant自主開發具身人工智能的基礎大模型，並積極探索下一代智能設備，旨在創造真正理解並提升人們日常生活的機械人伴侶及護理員，並在長者護理、醫療協助及家務等關鍵應用場景中提供可靠的智能服務。
（美聯社）
