LaWGPT首頁、文檔和下載- 基於中文法律知識的大語言模型- 程式开发

LaWGPT 是一系列基於中文法律知識的開源大語言模型。

該系列模型在通用中文基座模型（如Chinese-LLaMA、ChatGLM 等）的基礎上擴充法律領域專有詞表、大規模中文法律語料預訓練，增強了大模型在法律領域的基礎語義理解能力。在此基礎上，構造法律領域對話問答數據集、中國司法考試數據集進行指令精調，提升了模型對法律內容的理解和執行能力。

詳細內容請參考技術報告。

項目結構

LaWGPT
├── assets # 项目静态资源
├── data   # 语料及精调数据
├── tools  # 数据清洗等工具
├── README.md
├── requirements.txt
└── src    # 源码
    ├── finetune.py
    ├── generate.py
    ├── models  # 基座模型及 Lora 权重
    │   ├── base_models
    │   └── lora_weights
    ├── outputs
    ├── scripts # 脚本文件
    │   ├── finetune.sh # 指令微调
    │   └── generate.sh # 服务创建
    ├── templates
    └── utils

數據構建

本項目基於中文裁判文書網公開法律文書數據、司法考試數據等數據集展開，詳情參考中文法律數據匯總

1. 初級數據生成：根據Stanford_alpaca和self-instruct方式生成對話問答數據
2. 知識引導的數據生成：通過Knowledge-based Self-Instruct 方式基於中文法律結構化知識生成數據。
3. 引入ChatGPT 清洗數據，輔助構造高質量數據集。

模型訓練

LawGPT 系列模型的訓練過程分為兩個階段：

1. 第一階段：擴充法律領域詞表，在大規模法律文書及法典數據上預訓練Chinese-LLaMA
2. 第二階段：構造法律領域對話問答數據集，在預訓練模型基礎上指令精調

二次訓練流程

1. 參考src/data/example_instruction_train.json構造二次訓練數據集
2. 運行src/scripts/train_lora.sh

指令精調步驟

1. 參考src/data/example_instruction_tune.json構造指令微調數據集
2. 運行src/scripts/finetune.sh

計算資源

8 張Tesla V100-SXM2-32GB

模型評估

輸出示例

問題：請給出判決意見。

問題：請介紹賭博罪的定義。

問題：請問加班工資怎麼算？

局限性

由於計算資源、數據規模等因素限制，當前階段LawGPT 存在諸多局限性：

1. 數據資源有限、模型容量較小，導致其相對較弱的模型記憶和語言能力。因此，在面對事實性知識任務時，可能會生成不正確的結果。
2. 該系列模型只進行了初步的人類意圖對齊。因此，可能產生不可預測的有害內容以及不符合人類偏好和價值觀的內容。
3. 自我認知能力存在問題，中文理解能力有待增強。