这项由Equall公司的Pierre Colombo、Malik Boudiaf等研究团队共同完成的研究，发表于2025年12月21日的arXiv预印本平台（论文编号：arXiv:2512.18658v1），探讨了如何用人工智能技术彻底改变风险投资中最繁重的法律工作之一——股权表核查。对于想要深入了解技术细节的读者，可以通过论文编号arXiv:2512.18658v1查询完整的原始论文。

每当一家初创公司准备融资时，就像准备一场重要的婚礼一样，需要进行大量的准备工作。其中最让律师头疼的，就是所谓的"股权表核查"（capitalization tie-out）。这个过程就像是要把一个巨大的拼图重新拼好，确保每一块都在正确的位置上。

股权表核查到底是什么呢？简单来说，就是要确认公司的每一份股票、期权、认股权证都有对应的法律文件支撑。就像你在银行里存钱，银行需要确认你的每一笔存款都有相应的凭证一样。在公司融资之前，律师必须翻遍成千上万页的法律文件，逐一验证股权表上记录的每一个条目。

这个过程有多复杂呢？研究团队发现，从种子轮到B轮融资，公司的法律文件会从大约2000页增加到6700多页，涉及的证券数量从184个飙升到1292个。这就像是从整理一个小书架变成整理整个图书馆一样。更令人头疼的是，这些文件之间存在复杂的关联关系，一份股权授予可能需要追溯到最初的股权计划、董事会决议、签署的期权协议，以及后续的各种修订文件。

传统的核查方式完全依赖人工，律师需要一页页地翻阅文件，交叉对比不同的记录。这个过程不仅耗时费力，还容易出错。研究显示，从种子轮到B轮，人工核查的时间从5小时激增到近27小时，而且错误率随着复杂度的增加而上升。这就像是要一个人记住一个巨大迷宫中每条路径的详细信息，随着迷宫越来越大，出错的可能性也越来越高。

虽然大语言模型在法律推理基准测试中表现出色，但面对股权表核查这种实际工作时却显得力不从心。研究团队发现了三个关键问题。首先是多文档推理的挑战，就像要同时阅读几十本书并找出它们之间的联系一样困难。其次是严格的证据追溯要求，每个结论都必须能够追溯到具体的源文件，不能有任何模糊地带。最后是一致性要求，同样的文档处理两次必须得出完全相同的结果，这对于具有随机性的AI模型来说是个巨大挑战。

现有的AI方法主要采用"懒惰构建"的策略，也就是在需要验证某个信息时才去搜索相关文档。这种方法就像是每次做菜都要重新去超市买菜一样效率低下。当需要验证一个期权授予的生效日期时，AI代理会生成搜索查询，从文档库中检索相关片段，然后进行推理和提取。但这种方法在处理"缺失文档"类型的异常时表现糟糕，因为要证明某个文档不存在需要搜遍整个文档库，这对于基于检索的方法来说几乎是不可能完成的任务。

针对这些挑战，研究团队提出了一种名为"Equall"的创新解决方案，采用"急切构建"的策略。这种方法就像是提前把所有食材分类整理好，需要时可以立即取用。Equall的工作分为三个阶段，形成了一个层次化的世界模型。

第一阶段是基础提取，就像是把杂乱的文档库整理成分门别类的档案柜。系统首先将文档按照功能分类，比如股票购买协议、可转换证券、雇佣合同等，然后提取出基础元素，包括利益相关者信息、证券类别、具体数值（日期、股份数量、价格等），每个信息都明确标记其来源文档。

第二阶段是事件建模，这是Equall的核心创新。系统将这些基础事实组织成一个连贯的、按时间排序的公司法律历史表示。研究团队定义了高级"概念节点"来表示业务事件，包括发行、转让、修订、转换、行权和公司行为（如股票分割）等。这就像是把零散的历史片段编织成一个完整的故事线。比如，一个修订事件节点会链接到修订文件、具体更改的条款，以及最重要的是，指向它所修改的先前发行或协议事件的关系边。

第三阶段是目标化的神经符号验证。这个阶段结合了AI的灵活性和逻辑的确定性。"神经"部分是指用于构建事件图的强大的大语言模型驱动的提取和事件合成，处理法律文本的模糊性。"符号"部分则是应用确定性逻辑来聚合这些事件，得出最终的虚拟股权表状态。

举个具体例子，当需要验证某个股东当前的股份数量时，这不再是模糊的检索任务，而是结构化查询：遍历事件图中该股东的所有发行事件，减去后续的转出事件，加上转入事件，并应用相关公司行为事件（如分割）的调整。这个过程就像是在银行系统中查询账户余额一样准确和可靠。

为了验证这种方法的有效性，研究团队在四个匿名的真实数据库上进行了测试，涵盖了从种子轮到B轮的不同融资阶段。他们将异常情况分为三类：条款差异（虚拟视图和参考视图存在但不同）、缺失文档（参考股权表上的项目缺乏充分的支持证据）、以及股权表缺失（文档中识别的有效证券或股东在参考股权表中缺失）。

实验结果令人印象深刻。在精确度、召回率和F1分数的综合评估中，Equall达到了平均85%的F1分数，显著超越了传统的代理方法（29%）和改进的代理方法（42%）。更重要的是，传统代理方法在处理"缺失文档"和"股权表缺失"类型的异常时表现糟糕，而Equall在所有类型的异常检测中都保持了稳定的高性能。

效率提升同样显著。传统的代理方法就像是每次检查都要重新开始复杂的推理过程，每次检查需要45秒。而Equall虽然需要15分钟的前期建模时间，但每次检查只需要2秒，这带来了22倍的速度提升。当需要进行数百次检查时，这种差异变得极为明显：100次检查，传统方法需要77分钟，而Equall只需18分钟；500次检查时，差距进一步拉大到377分钟对32分钟。

在现实世界的应用中，这种效率提升转化为了实际的时间节省。传统的人工核查从种子轮的5小时增长到B轮的近27小时，而使用Equall辅助的工作流程只需要从64分钟增长到300分钟。这意味着在最复杂的B轮融资中，Equall能够节省约81.5%的时间，而且随着复杂度的增加，这种优势变得更加明显。

研究还揭示了一个有趣的现象：随着公司发展阶段的提高，异常的性质也在发生变化。在种子轮阶段，问题主要是informal omissions（非正式遗漏），比如商业意图没有转化为正式证据。到了B轮阶段，问题转向了complex inconsistencies（复杂不一致），需要对多年来复杂的历史交易进行"追溯"以发现相关文档之间的不一致。这种变化说明了为什么传统的基于检索的方法会随着复杂度的增加而失效。

Equall的成功不仅仅在于解决了股权表核查这一具体问题，更重要的是它展示了一种可复制的架构模式。这种事件图表示法是通用的，可以应用于其他需要处理复杂历史记录和关系的法律任务。因为这些事件原语（发行、转让、修订等）在不同法律领域中重复出现，这种架构具有内在的可泛化性。

当前的研究还有很大的发展空间。研究团队指出，股权表核查问题具备了部署真正自主系统所需的三个基本要素：密集的可验证奖励信号（不像主观法律任务，核查提供客观的真实标准）、可扩展的训练环境（异常分类法使得能够通过向验证的"干净"数据库注入已知错误模式来算法生成大量合成课程），以及最关键的是强大的世界模型。

展望未来，研究团队认为将这种基础世界模型与基于强化学习的训练相结合，将能够实现下一代代理，以超人的可靠性处理复杂的多步骤谱系任务，从根本上改变资本化尽职调查和类似法律风险分析工作的实践。

这项研究的意义远远超出了法律科技本身。它展示了如何将看似不可能自动化的复杂知识工作分解为可管理的组件，通过合理的架构设计实现人工智能的实际应用。对于风险投资行业来说，这意味着更快的交易速度、更低的成本和更高的准确性。对于律师来说，这并不意味着工作的消失，而是将重复性的验证工作自动化，让他们能够专注于更具战略性和创造性的法律工作。

最重要的是，这项研究证明了在正确的架构设计下，人工智能确实可以在高风险、高精度要求的专业领域发挥实际作用。它不是简单地用AI替代人工，而是通过智能的工具设计，让复杂的工作变得更加高效和可靠。这种思路对于其他需要处理大量结构化信息和复杂规则的行业，都具有重要的借鉴意义。

Q&A

Q1：Equall的股权表核查技术能完全替代律师的工作吗？

A：不能完全替代，但会大大改变工作方式。Equall主要自动化重复性的验证工作，将人工核查时间从最多27小时缩短到5小时左右，让律师可以专注于更具战略性和创造性的法律分析工作。

Q2：为什么传统的AI方法在股权表核查上效果不好？

A：主要有三个原因：需要同时分析几十个文档找联系、每个结论都必须追溯到具体源文件、同样处理必须得出相同结果。传统AI采用"需要时才搜索"的方式，就像每次做菜都要重新去超市买菜，效率很低且容易出错。

Q3：Equall技术的核心创新点是什么？

A：核心是"急切构建"策略，提前将所有法律文件整理成结构化的事件图，记录公司历史上每个重要事件（发行、转让、修订等）及其关联。验证时只需要在这个图上进行简单查询，就像在整理好的档案柜中找文件一样快速准确。