LaWGPT：基于中文法律知识的大语言模型

LaWGPT 是一系列基于中文法律知识的开源大语言模型。

该系列模型在通用中文基座模型（如 Chinese-LLaMA、ChatGLM 等）的基础上扩充法律领域专有词表、大规模中文法律语料预训练，增强了大模型在法律领域的基础语义理解能力。在此基础上，构造法律领域对话问答数据集、中国司法考试数据集进行指令精调，提升了模型对法律内容的理解和执行能力。

快速开始

准备代码，创建环境

# 下载代码
Git clone git@github.com:pengxiao-song/LaWGPT.git
cd LaWGPT

# 创建环境
conda create -n lawgpt Python=3.10 -y
conda activate lawgpt
pip install -r requirements.txt

启动 web ui（可选，易于调节参数）

首先，执行服务启动脚本：bash scripts/webui.sh
其次，访问 http://127.0.0.1:7860 ：

命令行推理（可选，支持批量测试）

首先，参考 resources/example_infer_data.json 文件内容构造测试样本集；
其次，执行推理脚本：bash scripts/infer.sh。其中 --infer_data_path 参数为测试样本集路径，如果为空或者路径出错，则以交互模式运行。

注意，以上步骤的默认模型为 LaWGPT-7B-alpha ，如果您想使用 LaWGPT-7B-beta1.0 模型：

由于 LLaMA 和 Chinese-LLaMA 均未开源模型权重。根据相应开源许可，本项目只能发布 LoRA 权重，无法发布完整的模型权重，请各位谅解。

本项目给出合并方式，请各位获取原版权重后自行重构模型。

项目结构

LaWGPT
├── assets    # 静态资源
├── resources # 项目资源
├── models    # 基座模型及 lora 权重
│   ├── base_models
│   └── lora_weights
├── outputs   # 指令微调的输出权重
├── data      # 实验数据
├── scripts   # 脚本目录
│   ├── finetune.sh # 指令微调脚本
│   └── webui.sh    # 启动服务脚本
├── templates # prompt 模板
├── tools     # 工具包
├── utils
├── train_clm.py  # 二次训练
├── finetune.py   # 指令微调
├── webui.py      # 启动服务
├── README.md
└── requirements.txt

数据构建

本项目基于中文裁判文书网公开法律文书数据、司法考试数据等数据集展开，详情参考中文法律数据汇总

https://github.com/pengxiao-song/awesome-chinese-legal-resources

初级数据生成：根据 Stanford_alpaca 和 self-instruct 方式生成对话问答数据
知识引导的数据生成：通过 Knowledge-based Self-Instruct 方式基于中文法律结构化知识生成数据。
引入 ChatGPT 清洗数据，辅助构造高质量数据集。

模型训练

LawGPT 系列模型的训练过程分为两个阶段：

第一阶段：扩充法律领域词表，在大规模法律文书及法典数据上预训练 Chinese-LLaMA
第二阶段：构造法律领域对话问答数据集，在预训练模型基础上指令精调

二次训练流程

参考 resources/example_instruction_train.json 构造二次训练数据集
运行 scripts/train_clm.sh

指令精调步骤

参考 resources/example_instruction_tune.json 构造指令微调数据集
运行 scripts/finetune.sh

计算资源

8 张 Tesla V100-SXM2-32GB ：二次训练阶段耗时约 24h / epoch，微调阶段耗时约 12h / epoch

模型评估

输出示例

问题：酒驾撞人怎么判刑？

问题：请给出判决意见。

问题：请介绍赌博罪的定义。

问题：请问加班工资怎么算？

问题：民间借贷受国家保护的合法利息是多少?

问题：欠了信用卡的钱还不上要坐牢吗？

问题：你能否写一段抢劫罪罪名的案情描述？

局限性

由于计算资源、数据规模等因素限制，当前阶段 LawGPT 存在诸多局限性：

数据资源有限、模型容量较小，导致其相对较弱的模型记忆和语言能力。因此，在面对事实性知识任务时，可能会生成不正确的结果。
该系列模型只进行了初步的人类意图对齐。因此，可能产生不可预测的有害内容以及不符合人类偏好和价值观的内容。
自我认知能力存在问题，中文理解能力有待增强。请诸君在使用前了解上述问题，以免造成误解和不必要的麻烦。

传送门

开源协议：No releases published

开源地址：https://github.com/pengxiao-song/LaWGPT

项目合集：https://github.com/OpenTechCol/OpenTechCol

「回复【加群】加入开源技术交流群，干货很多！」

-END-

原文始发于微信公众号（开源技术专栏）：LaWGPT：基于中文法律知识的大语言模型

文章由极客之音整理，本文链接：https://www.bmabk.com/index.php/post/145682.html