想象一下：一位刚从法学院毕业的实习生小秦到法院报到，法官王老师把一摞卷宗递给他：“小秦，三部曲走一遍——第一，读完案情判断这是什么罪；第二，翻开法典找出应援引的法条；第三，掂量一下该判几年。”小秦每天的工作，就是对着案情描述做这三件事。 CAIL2018（中国法律智能挑战赛）干的事情，和培养小秦一模一样——只是把“实习生”换成了“AI 模型”。主办方从公开裁判文书网抽出数万份真实刑事判决书，让各路 AI 模型像小秦一样：读案情、定罪名、查法条、估刑期，再用统一的评分标准排名。CAIL2022 延续了这套核心玩法，并扩展出更丰富的新任务。这就像一场“AI 版司法实习资格考试”。 在这篇文章里，我们跟着小秦的实习之旅，把 CAIL 的赛事概况、三大核心任务、文本预处理、模型架构、实战挑战和工程落地一一拆解。读完你会发现，让 AI“读案卷”这件事，既不像想象中那么神秘，也比想象中更有讲究。

岗位关联

对 AI 从业者而言，CAIL2018 是司法 NLP 最经典的基准任务之一：吃透它的三大任务与多标签、多任务建模套路，你就能把同样的技能复用到金融合规、政府文书、企业法务等任何需要“读懂专业文本并给出结构化预测”的垂直场景，求职履历上也多了一张过硬的行业名片。

目录
  1. 可视化演示
  2. 赛事概况：法律 AI 的“实习比武”
  3. 罪名预测：实习生的第一判断
  4. 法条预测：翻出正确的法典
  5. 刑期预测：称一称刑罚的天平
  6. 文本预处理：先读懂卷宗再说
  7. 模型架构：搭建实习生的“头脑”
  8. 实战挑战：真实案件的“魔鬼细节”
  9. 工程落地：从比武场走向审判庭
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示CAIL2018/2022中国法律AI挑战赛的任务分布、年份对比和排行榜进展曲线，理解赛事演进。

本节配有交互动效（进入视口后自动加载，约 3KB）。

任务分布 罪名预测 判决预测 多任务 中国法律AI基准

赛事概况：法律 AI 的“实习比武”

法院里来了个实习生小秦。正式上岗前，法院给他安排了一场“摸底比武”：发下数万份真实刑事判决书，要求他读完案情后完成三连问——这是什么罪？对应哪条法条？该判几年？整个过程中，裁判组只打分不说话，最后排个名次。CAIL2018 中国法律智能挑战赛，就是把这场比武原封不动搬上了互联网：只不过参赛的“实习生”是一支支 AI 队伍。CAIL2022 延续了这场比武的核心理念，并在任务设置上持续演进。

CAIL2018 的任务设置由三部分组成：罪名预测、法条预测、刑期预测。数据集来自裁判文书网公开的刑事判决书，一个样本通常包含一段案情描述（如“被告人翻窗入户窃取现金两万元”）、一个或多个罪名、一个或多个法条编号，以及一个刑期值。罪名与法条预测本质是“多标签”问题——一个案子可能同时触犯多个罪名、援引多条法条；刑期预测则是“数值”问题，需要输出一个量化的刑罚长度。数据集刻意保留真实分布的噪声：有的判决书长、有的短，有的罪名动辄上万样本、有的只有零星几条。

为了公平排序，主办方采用 micro-F1 作为主评测指标。背景目标是推动 AI 辅助司法决策，而不是取代法官；数据集设计原汁原味地保留了真实司法场景的复杂分布；评测指标则用 F1 做公正的“裁判”。

对参赛的 AI 模型来说，这场比武的“裁判”极其严格：如果模型只会挑出简单的大案要案（精确率高但召回率低），或者只要沾边就全判有罪（召回率高但精确率低），F1 都会无情拉低总分。就像王老师对小秦说的：偏科不是好实习生，两个指标得同时过硬。

F1=2×P×RP+R\displaystyle F_1 = \frac{2 \times P \times R}{P + R}
F1 是精确率 P 与召回率 R 的“握手言和”：模型既不能当了“漏网之鱼”的帮凶（召回率低），也不能草木皆兵（精确率低），两个指标必须同时过硬。
  1. 真阳样本 TP预测为某罪名且真实就是该罪名的样本数，是精确率和召回率的共同起点
    TP=∣{ i:y^i=yi=1 }∣\text{TP} = |\{\,i : \hat{y}_i = y_i = 1\,\}|
  2. 精确率 P模型所有“预测为该罪名”的结果中，真正正确的占比，衡量“抓得准不准”
    P=TPTP+FP\displaystyle P = \frac{\text{TP}}{\text{TP} + \text{FP}}
  3. 召回率 R所有“真实为该罪名”的样本中，被模型找出来的占比，衡量“抓得全不全”
    R=TPTP+FN\displaystyle R = \frac{\text{TP}}{\text{TP} + \text{FN}}
  4. 调和平均 F1把 P 和 R 折中成一个分数，任何一边偏低都会显著拉低结果
    F1=2×P×RP+R\displaystyle F_1 = \frac{2 \times P \times R}{P + R}

罪名预测：实习生的第一判断

小秦上班第一天的任务，是给卷宗“定性”。王法官递给他一张纸条，上面只有一句话：“被告人深夜翻窗进入他家中，窃取现金两万元。”小秦必须在心里回答：这是什么罪？往“盗窃罪”上想很容易，但如果案子里同时有“入户”情节，答案就可能是“盗窃罪+非法侵入住宅罪”两条都勾上。罪名预测最微妙的地方就在这儿——它不是单选题，而是一张多选题。

在 CAIL2018 中，输入输出很明确：输入是案情描述文本，输出是一个罪名子集。官方将任务定义为多标签分类：每个样本不是只属于一个类别，而是可以同时命中多个罪名。模型对每个候选罪名输出一个 0 到 1 之间的概率，再由阈值决定是否命中——这个阈值通常调到验证集上 F1 最高为止。

比赛专门设计了混淆罪名评测：盗窃、抢劫、抢夺等罪名案情极其相似，区别往往只在“暴力程度”“是否入室”等细节上，模型必须捕捉到这些细微线索。许多强队因此引入法条信息作为辅助——先预测法条，再用法条约束罪名。损失函数则采用 BCE，把每个罪名当作独立的二分类问题逐项计算。

小秦后来总结：定罪名就像医生看片子，不能只看“有没有阴影”，还要看阴影的位置和边界。BCE 这个损失函数就是他的错题本——每判断错一次，就把出错的那个罪名对应的判断权重往正确方向推一步，翻错的次数越来越少。

LBCE=−1N∑i=1N[yilog⁡(p^i)+(1−yi)log⁡(1−p^i)]\displaystyle \mathcal{L}_{\text{BCE}} = -\frac{1}{N}\sum_{i=1}^{N}\left[y_i \log(\hat{p}_i) + (1-y_i)\log(1-\hat{p}_i)\right]
BCE 就像小秦的“错题本”：每判断错一次，就记下一笔损失；真实标签是 1 时模型概率越低，记的“红叉”越大。
  1. 真实标签第 i 个样本对某个罪名是否成立，成立为 1，不成立为 0
    yi∈{0,1}y_i \in \{0, 1\}
  2. 预测概率模型输出该罪名成立的概率，越接近 1 表示模型越有把握
    p^i∈(0,1)\hat{p}_i \in (0, 1)
  3. 单项交叉熵真实为 1 时惩罚“预测偏向 0”，真实为 0 时惩罚“预测偏向 1”
    −[yilog⁡(p^i)+(1−yi)log⁡(1−p^i)]-\left[y_i \log(\hat{p}_i) + (1-y_i)\log(1-\hat{p}_i)\right]
  4. 全体平均对所有样本、所有罪名求和取平均，得到最终损失
    −1N∑i=1N[yilog⁡(p^i)+(1−yi)log⁡(1−p^i)]\displaystyle -\frac{1}{N}\sum_{i=1}^{N}\left[y_i \log(\hat{p}_i) + (1-y_i)\log(1-\hat{p}_i)\right]

法条预测：翻出正确的法典

定性之后，小秦要翻书了。王法官说：“中国刑法有四百多条，盗窃罪对应第二百六十四条，抢劫罪对应第二百六十三条……你可别翻错页。”法条预测就是让 AI 干这件事：给定案情描述，找到应当援引的刑法条文。法条不是名字，是法律的“经纬度”——罪名是结论，法条是依据，二者互相校验。

CAIL2018 的法条预测同样按多标签建模：一个判决书通常援引多条法条体系相关的规定。与罪名预测相比，法条类别数更多、分布更稀疏，很多法条只有零星样本。于是模型必须学会法条关联：例如“抢劫”字样出现时，第二百六十三条的概率就该上升；如果伴随“为窝藏赃物而当场使用暴力”，还可能关联“转化型抢劫”条款。

多分类模型的输出层通常用 softmax 把打分变成一组和为 1 的概率分布，适合“只选一个答案”的场景；而 CAIL 场景因一个案子可援引多条法条，主流方案实际是多个 sigmoid 并联，再借助罪名与法条的共现矩阵施加输出约束——比如预测出“盗窃罪”时，第二百六十四条的得分必须被拉高，避免翻错页。

小秦最开始背法条靠硬记，后来他发现：法条之间是有“朋友圈”的——盗窃事实和第二百六十四条总是一起出现。模型也是一样，学会法条共现结构之后，就像拿到了法典的地图，翻页速度飞快，而且一翻一个准。

P(y=k∣x)=exp⁡(wk⊤h+bk)∑j=1Kexp⁡(wj⊤h+bj)\displaystyle P(y = k \mid \boldsymbol{x}) = \frac{\exp(\boldsymbol{w}_k^{\top}\boldsymbol{h} + b_k)}{\sum_{j=1}^{K}\exp(\boldsymbol{w}_j^{\top}\boldsymbol{h} + b_j)}
softmax 就像把法典里所有法条摊开、给每一页贴一个“匹配度”标签，谁的分数高谁被选中——而且总分数永远是 100%，不会互相打架。
  1. 特征向量案情文本经编码器压缩后的向量表示，d 是向量维度
    h∈Rd\boldsymbol{h} \in \mathbb{R}^{d}
  2. 类别打分每个法条类别 k 用权重向量与特征点积，得到该类的匹配分
    sk=wk⊤h+bks_k = \boldsymbol{w}_k^{\top}\boldsymbol{h} + b_k
  3. 指数归一化对 K 个类别的打分取指数并归一，得到和为 1 的概率分布
    P(y=k)=exp⁡(sk)∑j=1Kexp⁡(sj)\displaystyle P(y = k) = \frac{\exp(s_k)}{\sum_{j=1}^{K}\exp(s_j)}

刑期预测：称一称刑罚的天平

第三关最难。王法官对小秦说：“定罪名靠判断力，估刑期靠分寸感。同样是盗窃，初犯、退赃、自首可以轻判；多次、入户、数额巨大就得重判。”刑期预测要输出一个具体数字，而这个数字受数十个量刑特征影响，像在天平上放砝码。

直接回归一个连续刑期（比如“32.7 个月”）看似最自然，比赛结果却表明：把刑期切成离散区间再分类，效果更好，这就是区间量化。原因在于真实判决的刑期分布并不平滑——法定刑是离散档位，而且区间化能把“8.9 个月 vs 9.1 个月”这种无意义的细微差异变成同一个答案。CAIL2018 的评测也按区间精度给分。

主流做法分三步：区间量化——把 0 到无期切成若干区间（例如 0-1 年、1-3 年、3-5 年……无期），每个区间取中心值 c_k；离散分类——用 softmax 输出落在各区间内的概率 q_k；中心回归——用概率对区间中心值加权求和，得到期望刑期。量刑特征（累犯、自首、金额、伤亡情况）常被显式编码，与文本特征拼接后一起送入模型，相当于把“砝码”直接摆在秤上。

小秦后来明白了：估刑期不是“称重”而是“分档”。现实中的法官也是先定档——十年以上还是三年以下——再在档内微调。AI 用区间分类学到的，正是这套“先定档再微调”的司法直觉。

S^=∑k=1Mqk⋅ck,qk=exp⁡(sk)∑j=1Mexp⁡(sj)\displaystyle \hat{S} = \sum_{k=1}^{M} q_k \cdot c_k, \qquad q_k = \frac{\exp(s_k)}{\sum_{j=1}^{M}\exp(s_j)}
期望刑期不是直接“称”出来的，而是先给每个刑期档位发一张“可能性彩票”，再用彩票概率去加权平均，最后得到一个既有档位稳定性、又能连续微调的数字。
  1. 区间切分把刑期从 0 到无期切成 M 个档位，每档取中心值作为代表
    {c1,c2,…,cM}\{c_1, c_2, \dots, c_M\}
  2. 档位概率模型用 softmax 输出落入每个档位的概率
    qk=exp⁡(sk)∑j=1Mexp⁡(sj)\displaystyle q_k = \frac{\exp(s_k)}{\sum_{j=1}^{M}\exp(s_j)}
  3. 期望刑期以档位概率为权重，对各档中心值加权求和得到预测刑期
    S^=∑k=1Mqk⋅ck\displaystyle \hat{S} = \sum_{k=1}^{M} q_k \cdot c_k

文本预处理：先读懂卷宗再说

小秦刚拿到卷宗时险些崩溃：判决书里有大量套话、编号、括号、“本院认为”这类固定句式，还有“入户窃取”“流窜作案”这样的专业黑话。他必须先做一遍“翻译”，把卷宗整理成清晰的要点，才能开始判断。AI 面对的原始文本更脏——这就是文本预处理。

法律文本预处理是一套组合拳。分词清洗：把“被告人翻窗入户窃取现金”切分成有意义的词单元，同时去掉乱码、空格和判决书模板里的固定抬头——这些固定抬头如果不清掉，模型会偷懒地“抄答案”：看到“公诉机关指控”就直接输出罪名，导致评估虚高。停用词过滤：“的”“了”“本院”“依法”这类词对判断罪名没有信息量，滤掉可以降噪。

数据增强：对案情描述做同义词替换、随机删词、句序打乱，扩充小样本罪名的训练数据。要素抽取：从文本中抽取出金额、时间、地点、暴力手段、伤亡结果等量刑关键要素，这些要素很多时候比整段原文更有预测力。预处理阶段的另一件武器是 TF-IDF 加权——给“盗窃”“持刀”这类稀有但关键的词更高的权重，给“本院”“依法”这类套话更低的权重。

小秦的“翻译”功夫越深，后面的判断越准。AI 也一样：分词就是断句，清洗就是擦掉错别字，要素抽取就是画重点。卷宗读得明白，后面的罪名、法条、刑期才谈得上有意义。

tf-idf(t,d)=tf(t,d)×log⁡Ndf(t)+1\displaystyle \text{tf-idf}(t, d) = \text{tf}(t, d) \times \log\frac{N}{\text{df}(t) + 1}
TF-IDF 的思路很朴素：一个词在一份案卷里出现很多次（词频高）、但在所有案卷里很少见（文档频率低），它才是“关键情报”；人人都写的套话反而不值钱。
  1. 词频词 t 在文本 d 中出现的次数，体现该词在本文中的重要性
    tf(t,d)=nt,d\text{tf}(t, d) = n_{t,d}
  2. 逆文档频率包含词 t 的文档越少，idf 越大，说明该词越有区分度
    idf(t)=log⁡Ndf(t)+1\displaystyle \text{idf}(t) = \log\frac{N}{\text{df}(t) + 1}
  3. 加权融合两者相乘得到特征权重，低频关键词被放大、高频套话被压制
    tf-idf(t,d)=tf(t,d)×log⁡Ndf(t)+1\displaystyle \text{tf-idf}(t, d) = \text{tf}(t, d) \times \log\frac{N}{\text{df}(t) + 1}

模型架构：搭建实习生的“头脑”

小秦为什么能越干越熟练？因为他的“实习脑”有三层知识：第一层是语言能力——看得懂汉语；第二层是法律知识——背得下条文；第三层是办案经验——知道什么情节该重判。CAIL 的冠军模型架构，本质上就是在模仿这个三层结构：文本编码、注意力机制、多任务学习、层级分类四件套。

模型架构的核心是多任务学习加共享编码器：一段案情文本先经过文本编码器（BiLSTM 或 Transformer）变成一组向量，再分别接出罪名头、法条头、刑期头三个输出层。三个任务共享底层文字理解能力，就像小秦的“语言能力”同时服务定罪、找法条、估刑期三件事。共享参数能互相提供监督信号，还能缓解小样本任务过拟合。

注意力机制是编码器的点睛之笔：案情文本几百字，真正决定罪名的往往只有几个关键短语（“持刀”“入户”“致人轻伤”）。注意力层让模型给每个词算一个权重，把关键信息聚集起来。层级分类则把三任务串成流水线：先预测罪名，再用罪名过滤法条候选，最后结合罪名和法条一起预测刑期——这种结构把法律知识直接织进了模型里，也让每个任务的“错题”能顺着链路回溯修正。

小秦的实习脑这么组织：读一遍卷宗（编码），划出重点（注意力），先想罪名再翻法条最后掂刑期（层级），三个环节共享同一套语言理解（多任务）。模型架构不是一个黑箱，而是把实习生的经验结构搬进了数学公式里。

αt=exp⁡(u⊤ht)∑s=1Texp⁡(u⊤hs)\displaystyle \alpha_t = \frac{\exp(\boldsymbol{u}^{\top}\boldsymbol{h}_t)}{\sum_{s=1}^{T}\exp(\boldsymbol{u}^{\top}\boldsymbol{h}_s)}
注意力就像小秦读卷宗时用荧光笔划重点：“持刀”“入户”这些词被重重标记，而“的”“了”这些虚词直接跳过——最后他脑子里留下的全是关键情节。
  1. 位置向量第 t 个词经过编码器后得到向量 h_t，包含该词及其上下文的语义
    ht∈Rd\boldsymbol{h}_t \in \mathbb{R}^{d}
  2. 注意力打分用一个可学习向量 u 与每个位置向量点积，得到该位置的重要度分
    at=u⊤hta_t = \boldsymbol{u}^{\top}\boldsymbol{h}_t
  3. 权重归一对 T 个位置的打分做 softmax，得到权重并加权求和所有位置
    αt=exp⁡(at)∑s=1Texp⁡(as)\displaystyle \alpha_t = \frac{\exp(a_t)}{\sum_{s=1}^{T}\exp(a_s)}

实战挑战：真实案件的“魔鬼细节”

实习三个月后，小秦遇到了一系列“超纲题”：判决书动辄五千字，读到一半前面的案情忘了；“危险驾驶罪”的卷宗堆成山，“危害国家安全罪”的卷宗一年见不到一份；同样是“入户盗窃”，有的法院判三年，有的法院判一年半——他彻底懵了。

这些真实难题对应 CAIL 实战中的四大挑战。长文本截断：模型输入通常限制在几百到一两千字，超长判决书只能截头去尾，关键情节可能恰好被截掉。数据不均衡：热门罪名样本上万、冷门罪名样本个位数，模型天然偏向预测头部类别。类案偏差：判决受地域、法官风格影响，模型学到的是“数据里的平均值”而非“法律上的应然”。可解释性：法官可以接受 AI 打小抄，但不能接受一句“模型就是这么预测的”。

应对长文本，常用分层编码：先对段落编码，再对段落表示做注意力融合；应对不均衡，重采样搭配 Focal Loss——聚焦那些模型没把握的难样本；应对类案偏差，引入判决理由文本做对比学习，或加入地域、时间特征再评估差异；应对可解释性，用注意力分数定位关键句，用 LIME 做局部解释，把“为什么判盗窃罪”讲给人听。

小秦把这些“超纲题”逐一整理成错题本，AI 也在用同样的思路解决实战挑战：难样本加权、长文分段读、判例对比、解释报告——每一条都是在补齐“练习环境”与“真实法庭”之间的差距。

Lfocal=−α(1−p^t)γlog⁡(p^t)\displaystyle \mathcal{L}_{\text{focal}} = -\alpha (1 - \hat{p}_t)^{\gamma} \log(\hat{p}_t)
Focal Loss 的巧妙之处在于：对高置信度的简单样本降权、对低置信度的难样本升权，相当于小秦把错题本翻来覆去地做——越难的题，练得越狠。
  1. 基础交叉熵预测概率越低，这一项越大，难样本天然贡献更多损失
    −log⁡(p^t)-\log(\hat{p}_t)
  2. 调制因子当预测概率很高时该因子接近 0，把简单样本的损失压下去
    (1−p^t)γ(1 - \hat{p}_t)^{\gamma}
  3. 类别平衡权重α 用于放大少数类、缩小多数类的整体贡献
    Lfocal=−α(1−p^t)γlog⁡(p^t)\displaystyle \mathcal{L}_{\text{focal}} = -\alpha (1 - \hat{p}_t)^{\gamma} \log(\hat{p}_t)

工程落地：从比武场走向审判庭

比武归来，小秦终于转正了。但他发现，实习期的高分和真正的日常工作完全是两码事：案子要实时分析、法官要复核理由、系统要留痕审计。从“比武场”到“审判庭”，是法律 AI 的最后一公里。

工程落地第一件事是推理优化：比赛模型可以慢慢跑，线上系统不行。模型蒸馏（用大模型教小模型）、参数量化（把浮点权重压缩成整数）、批处理加速，都是常用手段。第二件事是评估体系：除了 F1，还要补充对抗鲁棒性（输入错别字会不会翻车）、公平性（不同地区是否偏差过大）和人工抽检通过率，建立多维度“体检报告”。

第三件事是伦理合规：司法 AI 的定位是“辅助”而非“决策”——预测结果必须有人工复核环节，系统要记录完整的推理依据，这是责任划分的基础。第四件事是人机协作闭环：AI 先给出罪名、法条、刑期预测并标注置信度和证据片段，法官复核后把最终结果反馈回系统，模型定期增量微调——预测、复核、反馈、再训练，形成持续进化的闭环。整个系统的总损失，由三任务损失加权组合，权重 λ 的调参也是一门手艺。

小秦转正那天，王法官对他说：“记住了，AI 是你的实习助手，不是你的上司。它判得再准，签字的是你，查错的是你，负责的也是你。”法律 AI 的工程落地，说到底就是把“实习生的冲劲”装进“老法官的流程”里——快而不越位，准而不僭越。

Ltotal=λ1Lcharge+λ2Larticle+λ3Lsentence\displaystyle \mathcal{L}_{\text{total}} = \lambda_1 \mathcal{L}_{\text{charge}} + \lambda_2 \mathcal{L}_{\text{article}} + \lambda_3 \mathcal{L}_{\text{sentence}}
总损失就像王法官给三个任务分配“考核权重”：罪名判断占多少、法条引用占多少、刑期准确占多少——权重不同，模型的学习重点就不同。
  1. 分任务损失罪名、法条、刑期三个任务各自的预测损失
    Lcharge,Larticle,Lsentence\mathcal{L}_{\text{charge}}, \quad \mathcal{L}_{\text{article}}, \quad \mathcal{L}_{\text{sentence}}
  2. 任务权重λ 调节各任务在总损失中的话语权，通常由验证集搜索确定
    λ1,λ2,λ3∈[0,1]\lambda_1, \lambda_2, \lambda_3 \in [0, 1]
  3. 联合优化三损失加权求和，反向传播同时更新共享编码器与各任务头
    Ltotal=λ1Lcharge+λ2Larticle+λ3Lsentence\displaystyle \mathcal{L}_{\text{total}} = \lambda_1 \mathcal{L}_{\text{charge}} + \lambda_2 \mathcal{L}_{\text{article}} + \lambda_3 \mathcal{L}_{\text{sentence}}

AI 应用场景

法院类案检索与导诉分流

阶段：推理与决策辅助

解决的问题：传统类案检索靠法官记忆和关键词查询，效率低且容易漏掉关键判例。基于 CAIL 训练出的案情编码器，可以把新案情的描述向量化，在判决库中做语义检索，自动推送相似类案及对应量刑区间，帮助法官快速锚定裁判尺度。

具体案例：某基层法院在导诉台接入罪名预测模型，当事人描述纠纷经过后，系统自动提示“可能涉及的罪名 + 对应法条 + 参考量刑区间”，引导当事人选择调解、速裁或普通程序，立案材料准备时间从半天缩短到十几分钟。

律所与企业法务的刑事风险预警

阶段：数据分析与风险研判

解决的问题：合规审查中，人工甄别某个业务行为是否可能触刑，既依赖经验又容易遗漏。AI 对业务文本做罪名与刑期双预测，输出风险等级和依据片段，相当于给合规团队配了一位不知疲倦的“实习助理”。

具体案例：某互联网公司法务部每月将新业务文案批量输入系统，系统自动标记“可能涉嫌非法吸收公众存款罪”，并给出量刑区间与相关法条、高危关键词位置。合规团队据此修改话术和业务流程，在监管介入前完成自查。

Python 演示

python95 行
# -*- coding: utf-8 -*-"""CAIL2018 罪名预测简化演示 - 从案情描述判断罪名"""  class TinyTokenizer:    """简易分词器: 单字 + 相邻双字构成特征"""     def __init__(self):        self.vocab = {}     def tokens(self, text):        words = []        for i in range(len(text)):            words.append(text[i])            if i + 1 < len(text):                words.append(text[i:i + 2])        return words     def fit(self, texts):        for text in texts:            for w in self.tokens(text):                if w not in self.vocab:                    self.vocab[w] = len(self.vocab)     def transform(self, text):        vec = [0] * len(self.vocab)        for w in self.tokens(text):            if w in self.vocab:                vec[self.vocab[w]] += 1        return vec  class Perceptron:    """多类别感知机: 每个罪名学一套权重, 输出得分最高者"""     def __init__(self, n_features, n_classes):        self.w = [[0.0] * n_features for _ in range(n_classes)]        self.b = [0.0] * n_classes        self.lr = 0.1     def predict_one(self, x):        scores = []        for c in range(len(self.b)):            total = self.b[c]            for i in range(len(x)):                total += self.w[c][i] * x[i]            scores.append(total)        return max(range(len(scores)), key=lambda i: scores[i])     def train_one(self, x, y):        pred = self.predict_one(x)        if pred == y:            return        for i in range(len(x)):            self.w[pred][i] -= self.lr * x[i]            self.w[y][i] += self.lr * x[i]        self.b[pred] -= self.lr        self.b[y] += self.lr  def main():    cases = [        ("被告人翻窗入户窃取现金两万元", 0),        ("被告人持刀威胁路人抢走手机", 1),        ("被告人醉酒驾驶机动车撞伤行人", 2),        ("被告人多次潜入仓库盗走贵重货物", 0),        ("被告人蒙面持械闯入银行劫走现金", 1),        ("被告人酒后驾车在高速公路上逆行", 2),        ("被告人虚构项目骗取老人存款后逃匿", 3),        ("被告人伪造合同骗取公司货款", 3),    ]    names = ["盗窃罪", "抢劫罪", "危险驾驶罪", "诈骗罪"]     tok = TinyTokenizer()    tok.fit([c[0] for c in cases])    X = [tok.transform(c[0]) for c in cases]    model = Perceptron(len(tok.vocab), len(names))    for _ in range(40):        for x, y in zip(X, [c[1] for c in cases]):            model.train_one(x, y)     tests = [        "被告人深夜翻窗盗窃他人财物",        "被告人持刀抢劫出租车司机",        "被告人醉酒驾车撞伤路人",        "被告人虚假宣传骗取投资款",    ]    for t in tests:        vec = tok.transform(t)        pred = model.predict_one(vec)        print("案情: %s -> 预测罪名: %s" % (t, names[pred]))  if __name__ == "__main__":    main()
目的：用纯 Python 实现一个微型“罪名预测”系统——先把案情文本切分成单字和双字特征，再训练一个多类别感知机，对测试案情输出预测罪名。它是 CAIL2018 罪名预测任务的可运行玩具版，展示了“文本特征化 + 分类器”的核心流程。
  1. tok.fit([c[0] for c in cases])用全部训练案情建立词典，每个特征获得一个整数编号
  2. X = [tok.transform(c[0]) for c in cases]把每条案情转成词频向量，作为模型的输入特征
  3. model = Perceptron(len(tok.vocab), len(names))建感知机：输入维度=词典大小，输出类别=罪名数量
  4. total += self.w[c][i] * x[i]每个特征按权重累加打分，相当于给“盗窃”“持刀”等线索加权投票
  5. self.w[pred][i] -= self.lr * x[i]预测错时把错误类别的权重压低，让“错票”下次不再投出
  6. self.w[y][i] += self.lr * x[i]同时抬高正确类别的权重，相当于把“对票”的分量加重
  7. pred = model.predict_one(tok.transform(t))测试文本走一遍相同的特征转换和分类流程，输出最终罪名

常见误区

误区CAIL2018 训练的模型就是为了让电脑直接出判决书，以后法官都要失业了。新闻里不都说了吗，“AI 法官”上线了。

正解CAIL 的三大任务输出的是罪名、法条、刑期的“预测建议”，不是具有法律效力的判决。司法责任制要求法官对裁判终身负责，模型只能做辅助参考。工程落地方案里专门保留人工复核环节，正是为了守住“辅助而非替代”的边界——就像实习生的建议必须由主审法官签字才生效，AI 永远只是那个递纸条的实习生。

为何常见：媒体喜欢用“AI 法官”这类标题制造爆点，读者容易把比赛宣传与真实司法流程混为一谈，忽略了判决背后的责任归属和程序正义。

误区只要把“盗窃”“抢劫”“诈骗”这些词做成关键词词典，看案情里出现哪个词就判哪个罪，准确率肯定不低。

正解真实案情中，“抢”既可以出现在抢劫罪，也可以出现在抢夺罪；“偷”可能是盗窃罪也可能是职务侵占罪。CAIL 特意设置“混淆罪名”任务，模型必须结合上下文、金额、暴力程度等细节才能区分。关键词缺失语义理解，遇到“以借为名实施抢劫”这类表述就完全失灵。注意力机制能锁定“暴力胁迫”这类真正决定罪名的细节，而不是生硬的词典命中。

为何常见：入门者看过一些基于规则匹配的简单 demo 之后，误以为法律文本的语义空间稀疏到几个词就能覆盖，低估了自然语言的灵活性。

误区罪名和法条一一对应，知道罪名自然知道法条，训练一个任务就够了，何必搞两个任务？

正解罪名与法条存在多对多关系：一个罪名可能关联多条法条（如转化型抢劫），一条法条也可能涵盖多个罪名（如刑法第二百六十四条包括多种盗窃情形）。CAIL 之所以单独设置法条任务，正是因为它们在数据中只是一定程度共现，并非确定的映射。多任务学习利用这种相关性互相纠偏，但不等于二者等价。

为何常见：初学者先接触“盗窃罪→第二百六十四条”这种最典型的对照表，看到整齐的对应关系就以偏概全，忽略了法律条文的交叉与竞合。

误区刑期是一个数字，用回归模型输出一个连续年数最自然，比如“3.47 年”，多精确。

正解比赛和真实工程都表明，直接回归对数值敏感、难以处理“无期”这类特殊刑期，且完全忽略了法定刑档位结构。区间量化 + 离散分类 + 中心期望值是主流方案，因为它既尊重法律的分档逻辑，又对判决噪声更鲁棒——判 8.9 个月还是 9.1 个月在实务上没有意义，法官不会这么判。

为何常见：从教科书回归问题的直觉出发，容易忽略法律判决是离散档位制而不是连续量这个领域先验，把“数字输出”等同于“数值预测”。

误区比赛里 F1 排前五的模型，直接部署到法院系统就能给法官当助手，准确率摆在那里。

正解比赛数据来自历史判决书，模型可能学到地域偏差、法条更新前的旧规则，甚至从“公诉机关指控”这类模板句里抄答案。上线前需要做对抗鲁棒性测试、公平性评估和可解释性审计，否则一个错别字就可能导致预测翻车。就像小秦实习期模拟考满分，不代表他就能独立签发判决书——真实法庭的变量远比赛场多。

为何常见：把线下评测指标等同于线上真实效果，忽视了训练分布与部署环境的差异，也低估了司法场景对错误的高代价容忍度。

面试题

Q1. CAIL2018 设置的核心任务有哪些？

单选题 · easy

  • A.罪名预测、法条预测、刑期预测← 正确答案
  • B.证据提取、证人识别、文书生成
  • C.语音识别、人脸识别、指纹识别
  • D.合同审查、风险评估、合规检查

答案：A。CAIL2018 三大任务瞄准刑事判决中最核心的三步：罪名预测、法条预测、刑期预测。选项 B、D 是其他法律科技方向，C 是通用 AI 技术，都不属于 CAIL2018 的任务设置。

Q2. 罪名预测为什么要建模为多标签分类？

单选题 · easy

  • A.一个案件可同时触犯多个罪名← 正确答案
  • B.一个案件只能属于一个罪名
  • C.法条顺序会影响罪名判断
  • D.罪名数量会随案情动态变化

答案：A。现实中数罪并罚很常见，一个案件可能同时触犯盗窃罪和非法侵入住宅罪，因此每个样本可命中多个标签，这正是多标签分类的适用场景。B 是单标签思维，C、D 与分类问题的定义无关。

Q3. softmax 输出层的核心特性是什么？

单选题 · mid

  • A.各类概率总和恒为 1← 正确答案
  • B.各类概率相互独立取值
  • C.输出概率可能大于 1
  • D.输出概率不依赖输入

答案：A。softmax 先对每个类别打分取指数，再除以所有类别指数之和，保证输出是合法的概率分布：非负、和为 1。B、C 与这一性质矛盾，D 则完全背离了 softmax 作为分类头对输入特征的依赖特性。

Q4. 在多标签分类场景中，最常使用的是哪个损失函数？

单选题 · mid

  • A.二分类交叉熵 BCE← 正确答案
  • B.平均绝对误差 MAE
  • C.余弦相似度对比损失
  • D.三元组距离度量损失

答案：A。多标签分类把每个标签看作独立的二分类问题，BCE 对每个标签计算真实标签与预测概率之间的交叉熵并取平均，与 CAIL 罪名预测的建模方式一致。MAE 用于回归，后两者多用于表征学习和度量学习。

Q5. 哪些手段可以缓解法律文本的数据不均衡问题？

多选题 · mid

  • A.对少数罪名样本做数据增强← 正确答案
  • B.采用 Focal Loss 聚焦难样本← 正确答案
  • C.对多数类样本进行欠采样← 正确答案
  • D.删除所有低频罪名样本

答案：ABC。数据增强和欠采样都是经典的重平衡手段，Focal Loss 则通过对低置信度样本升权缓解类别失衡。直接删除低频罪名相当于放弃对该类别的预测能力，会让模型彻底无视少数类，属于错误做法。

Q6. 刑期预测中，区间量化加期望值方案相比直接回归的好处是？

单选题 · mid

  • A.贴合法定刑分档结构且更稳健← 正确答案
  • B.回归模型在数值上完全不可用
  • C.区间化后可以不需要任何特征
  • D.期望值计算可以绕过训练过程

答案：A。真实量刑遵循法定刑档位，直接连续回归对微小噪声敏感。区间量化把“8.9 个月 vs 9.1 个月”归入同一档，再对区间中心值加权求和得到期望刑期，兼顾分类稳定性与数值输出。B、C、D 的表述均不成立。

Q7. 注意力机制中 softmax 的作用是什么？

单选题 · hard

  • A.对位置打分归一化成权重← 正确答案
  • B.提升模型训练时的梯度大小
  • C.压缩输入文本的维度空间
  • D.替代损失函数完成参数更新

答案：A。注意力先把每个位置与查询向量算出一个标量分，再用 softmax 把分数转换成非负且和为 1 的权重，从而对各位置向量加权求和得到上下文向量。B、C、D 都不是 softmax 在注意力机制中承担的角色。

Q8. 多任务学习在 CAIL 三任务联合建模中的优势有哪些？

多选题 · hard

  • A.任务间共享底层编码特征← 正确答案
  • B.罪名与法条提供互补监督← 正确答案
  • C.缓解个别任务的过拟合风险← 正确答案
  • D.消除数据集中的类别不均衡

答案：ABC。共享编码器让三个任务互相传递归纳偏置，罪名与法条的天然相关性提供了额外监督，尤其对样本稀少的任务有利。但多任务学习只是缓解而非消除数据不均衡，仍需重采样、Focal Loss 等手段配合，因此 D 错误。

Q9. F1 分数的计算依赖哪两个指标？

单选题 · easy

  • A.精确率与召回率的调和平均← 正确答案
  • B.测试集上的整体准确率
  • C.模型每秒可推理的样本数
  • D.训练损失下降到零的程度

答案：A。F1 是精确率（预测为正的样本中真阳的占比）和召回率（真实为正的样本中被找出的占比）的调和平均，用来平衡“少判错”和“不漏判”。B 是准确率，C 是吞吐量，D 是训练状态，都不是 F1 的构成指标。

Q10. 法律 AI 工程落地需要重点关注哪些环节？

多选题 · hard

  • A.长文本分段编码避免截断丢失← 正确答案
  • B.对抗鲁棒性与公平性评估← 正确答案
  • C.人机协作与审计留痕机制← 正确答案
  • D.模型参数量越大错误率越低

答案：ABC。真实判决书常超长，分段编码是刚需；上线前要评估模型对错别字、篡改文本的鲁棒性以及不同地区的公平性；辅助决策必须有复核与留痕。D 是无根据的直觉，模型越大推理成本越高，未必更稳，错误率与参数量没有必然关系。