法律垂直大模型LegalGPT与ChatLaw

可视化演示

一、概念溯源：两位法律专科医生的来历

医院里有条不成文的规矩：全科医生解决“常见病”，疑难杂症要转诊给专科医生。通用大模型就像全科医生，它能流畅地和你聊三国、写诗、解释相对论，但你要问它“购买商铺的定金合同纠纷该怎么判”，它给出的答案往往源于网上道听途说，而非真正的法理与判例。通用模型的确在训练时“读过”一些法律文本，但那些知识在浩瀚的通用语料中被稀释了，就像全科医生只在医学院听过一堂法医学选修课。

LegalGPT和ChatLaw就是为此而生的“法律专科医生”——它们不是从零开始培养，而是在通用大模型的基础上定向进修法律专业。LegalGPT由哈工大研发团队推出，是国内较早探索法律垂直大模型的项目之一，定位于法律领域的知识问答与判决辅助；ChatLaw则由北京大学团队打造，强调法律场景的多轮对话能力，更像一位能和你来回沟通案情细节的法律顾问。业界把这类模型统称为“垂直领域大模型”：它牺牲了“什么都懂一点”的博学，换来了“法律这门课考满分”的专精。

垂直模型的“偏科”程度，取决于训练语料的配比。假设我们用两份语料训练一个法律专科医生：一份是海量的法律文书，另一份是通用的网络文本。法律语料在总语料中的占比直接决定了模型的“偏科指数”：

回到医院的比喻：LegalGPT和ChatLaw拿到的是“5年法律专项进修+少量全科复习”的培养方案。它们刻意提高法律知识的浓度，让自己在法庭这个“专科诊室”里游刃有余——但代价是，你让它们帮你写一首情诗，效果可能还不如通用大模型。这就是垂直化的本质：用博学换专精。

二、技术架构：法律知识如何注入神经网络

专科医生的成长路径是“先学通识、再攻专科”。法律垂直大模型的训练也遵循同样的逻辑：找一个底子扎实的“全科医生”当基座，再通过一系列定向训练把它改造成法律专家。LegalGPT和ChatLaw的基座通常选用LLaMA等开源模型，因为从头训练一个大模型成本太高，而开源基座已经具备优秀的语言理解和生成能力——就像招一个名校毕业的全科医生进来，只需再送他去法律科室轮转几年。

“轮转”分为两个关键阶段。第一阶段是领域继续预训练：把海量法律文本（裁判文书、法律法规、法学论文）继续喂给模型，让模型的“大脑”重新校准，把法律知识沉淀进参数里。这相当于医生在法律科室里日夜浸泡，形成“法感”。第二阶段是指令微调：构造一批“用户问-律师答”的对话样本，让模型学会用法律人的口吻和结构回答问题，而不是像背书一样倒出原文。

两个阶段的优化目标会被合并成一个总损失函数。想象专科医生要同时应付两份作业：一份是“把话说通顺”的通识作业，另一份是“答对法律题”的专科作业。总损失就是两份作业的加权平均，权重系数决定了模型更偏重哪一边：

用医院的例子收尾：\(\lambda\) 调教得好，专科医生既能用病人听得懂的话沟通（通用能力不崩），又能给出专业的法律意见（专科能力出色）；\(\lambda\) 调得过大，这位医生开口就是拉丁文病历，病人一句听不懂——这就是过拟合的风险。

三、核心任务：法律专科医生的看家本领

法律专科医生正式“坐诊”后，主要接四类活儿：判决预测、量刑辅助、合同审查和法律问答。其中最核心、也最能体现AI价值的是判决预测——给定一份起诉状和案情描述，模型要预测法官最可能判哪一方胜诉、认定什么罪名。这就像专科医生看了病人的检查报告，预判病情的发展走向。

判决预测本质上是分类问题：模型把案情文本压缩成一个“数字摘要”（向量 \(h\)），然后给每个候选判决类别打一个原始分，最后用softmax函数把分数转换成“这个案子被判为有罪/无罪/罪名A/罪名B”的概率分布。哪个类别概率最高，模型就建议哪个判决：

除了判决预测，量刑辅助（在法定刑幅度内建议刑期区间，类似医生按指南开药方）和合同审查（逐条扫描合同找出风险条款，类似体检报告解读）也用相似的分类与抽取技术。但别忘了，这位专科医生的“诊断”只能作为参考——就像再厉害的医生开处方也要经过药剂师核对，法律AI的每一条建议都需要人类专家复核。

四、能力评测：专科医生的执业考核

专科医生的水平怎么样，不能靠嘴说，得参加执业医师资格考试。法律大模型的“执业考试”叫JEC-QA——一个源于中国国家司法考试的问答数据集，包含数万道选择题，覆盖宪法、民法、刑法、诉讼法等十几个法律科目。LegalGPT和ChatLaw这类模型都要在这套卷子上接受检验。

评测的核心指标是准确率（Accuracy）：模型答对的题数占总题数的比例。这个指标直白得像“考试成绩”，但它也藏着陷阱——如果测试集里“故意杀人罪”的案例特别多，模型只要无脑猜这个罪名就能蒙对不少题。所以严谨的评测还会分层统计：多选题准确率、不同法域的准确率、长文本案件的准确率，就像医师考试不仅要看总分，还要看每个科目是否及格。

准确率的数学定义如下：把测试集看作 \(N\) 道考题，模型对第 \(i\) 题给出预测答案 \(\hat{y}_i\)，标准答案是 \(y_i\)，答对记1分、答错记0分，最后求平均：

回到医院场景：JEC-QA就是法律专科医生的“执业医师资格考”。需要泼一盆冷水的是，即便ChatLaw等模型在部分任务上表现出色，整体准确率离“通过司法考试”仍有相当距离，多选题和复杂案例的正确率更是惨不忍睹。这意味着它们目前的定位只是“助理医师”，远没到“主治法官”的水平。

五、场景约束：法律场景的特殊规则

外科手术室里，无菌操作是铁律，因为一次感染就可能要了病人的命。法律场景同样有“无菌操作”级别的硬性约束：准确性压倒一切、判决必须可解释、数据必须合规、人机必须协同。这四条规则共同划定了法律大模型的能力边界。

“可解释性”是其中最特殊的一条。法官写判决书时，不仅要宣布结果，还要写清楚“本院认为……依据《民法典》第X条……”。如果AI只丢出一个“诈骗罪，判三年”的结论而不说明理由，法官根本无法采用。为了解决这个问题，研究者让模型在预测时显式地关注案件文本中的特定法条或证据——用注意力机制给每份材料打一个“重要性权重”，就像医生在病历上划重点标记：“这个症状是关键，那个指标是次要”。

注意力权重的计算方式和前面softmax如出一辙：先算“当前审判点”与“每条法规”的相关度，再利用softmax归一化成权重。权重越高的法条，说明模型在判决时越依赖它：

注意力权重让法律大模型的推理过程从“黑箱”变成了“半透明病历”。但它还不够——真正的判决书需要的法律解释是规范的法条援引和严谨的三段论推理，而注意力权重顶多算“医生在病历上画的圈圈”。所以法律场景的最终约束是人机协同：AI负责快速筛线索、给建议，人类法官负责对每一个结论做最终的伦理判断和全案裁量。

六、风险防控：如何杜绝“瞎编法条”

专科医生最大的职业风险是“误诊”，法律大模型最大的职业风险是幻觉（Hallucination）——一本正经地引用一个根本不存在的“《中华人民共和国临时法》第XXX条”，或者煞有介事地编造一个从未发生过的判例。这就像一位医生凭模糊印象断言“你得了XX病”，却拿不出一张真实的化验单。

幻觉的根源在于大模型的生成天性：它本质上是一个“接龙大师”，根据上文预测下一个最可能的词，而不是数据库查询器。法律训练数据再丰富，也覆盖不了所有边缘情况，一旦模型遇到没见过的案情，它就可能“编”一个听起来合理的法条来自圆其说。为了给这位爱编故事的专科医生装上“刹车”，业界发展出三大防线：

第一道防线是检索增强生成（RAG）：模型回答前，先从一个外部法律知识库（存有真实法条全文）中检索相关条文，再根据检索结果生成答案——相当于医生先查《临床诊疗指南》再下诊断。第二道防线是约束解码：限制模型只能从知识库中“挑选”真实的法条编号填入输出，从源头杜绝编造不存在的条文。第三道防线是人工复核：AI的每一条输出在交付前，必须经过执业律师的终审——就像处方药必须经过药剂师双人核对才能发药。

约束解码的数学思想可以用一个带“过滤开关”的概率公式表达：最终输出的概率，等于语言模型原本的概率乘以一个“事实校验开关”——答案中的每个事实陈述必须在知识库 \(\mathcal{K}\) 中查得到，查不到就把概率清零：

回到医院作结：防幻觉的三道防线，就像病历双人核对、处方药复核、主任医师查房三层制度。法律大模型绝非“万能神医”，但只要给它装上知识库“外挂”、戴上约束解码的“紧箍咒”，再加上人类专家的终审——这位法律专科医生就能在真实业务中安全上岗。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""法律垂直大模型防幻觉演示：知识库约束 vs 无约束生成""" LAW_DB = {    "合同": "《民法典》第四百七十条：合同的内容由当事人约定，一般包括标的、数量、质量、报酬等条款。",    "离婚": "《民法典》第一千零七十六条：夫妻双方自愿离婚的，应当签订书面离婚协议，并亲自到婚姻登记机关申请离婚登记。",    "欠薪": "《劳动合同法》第三十条：用人单位应当按照劳动合同约定和国家规定，向劳动者及时足额支付劳动报酬。",    "酒驾": "《刑法》第一百三十三条之一：在道路上醉酒驾驶机动车的，处拘役，并处罚金。",}  def query_law(question):    """检索知识库中最相关的法条（使用关键词字符重叠作为相似度）"""    best_hit = None    best_score = -1    for keyword, text in LAW_DB.items():        # 计算问题与关键词共现字符数        overlap = len(set(question) & set(keyword))        if overlap > best_score:            best_score = overlap            best_hit = text    return best_hit if best_score > 0 else None  def generate_without_constraint(question):    """无约束生成：检索不到也要硬编一条（模拟幻觉）"""    hit = query_law(question)    if hit is None:        return "根据《中华人民共和国临时法》第XXX条规定...(此条文实际不存在)"    return hit  def generate_with_constraint(question):    """有约束生成：检索不到就坦白不知道（防幻觉）"""    hit = query_law(question)    if hit is None:        return "抱歉，知识库中暂未检索到相关法条，建议咨询专业律师。"    return hit  def main():    questions = [        "公司拖欠我两个月工资怎么办？",        "昨天看到一只猫横穿马路，我该找谁赔偿？",    ]    for question in questions:        print("问题:", question)        print("[无约束]", generate_without_constraint(question))        print("[有约束]", generate_with_constraint(question))        print("-" * 40)  if __name__ == "__main__":    main()

1. overlap = len(set(question) & set(keyword))计算问题与法条关键词的共现字符数，作为最简单的相似度打分。
2. return best_hit if best_score > 0 else None检索不到任何相关法条时返回 None，为后续的“约束拦截”留出判定口。
3. generate_without_constraint故意模拟无约束模型的幻觉行为：检索不到法条时也硬编一条不存在的“临时法”。
4. generate_with_constraint模拟检索增强+约束解码的真实防线：知识库查不到就坦率承认，绝不编造法条。
5. if __name__ == "__main__":可执行入口，直接运行即可看到有/无约束的鲜明对比。

常见误区

面试题