LaWGPT基于中文法律知識的大語言模型

LaWGPT 是一系列基于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?qū)Ｓ性~表、大規(guī)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?qū)υ拞柎饠?shù)據(jù)集、中國司法考試數(shù)據(jù)集進行指令精調(diào)，提升了模型對法律內(nèi)容的理解和執(zhí)行能力。

詳細內(nèi)容請參考技術報告。

項目結構

LaWGPT
├── assets # 項目靜態(tài)資源
├── data   # 語料及精調(diào)數(shù)據(jù)
├── tools  # 數(shù)據(jù)清洗等工具
├── README.md
├── requirements.txt
└── src    # 源碼
    ├── finetune.py
    ├── generate.py
    ├── models  # 基座模型及 Lora 權重
    │   ├── base_models
    │   └── lora_weights
    ├── outputs
    ├── scripts # 腳本文件
    │   ├── finetune.sh # 指令微調(diào)
    │   └── generate.sh # 服務創(chuàng)建
    ├── templates
    └── utils

數(shù)據(jù)構建

本項目基于中文裁判文書網(wǎng)公開法律文書數(shù)據(jù)、司法考試數(shù)據(jù)等數(shù)據(jù)集展開，詳情參考中文法律數(shù)據(jù)匯總

1. 初級數(shù)據(jù)生成：根據(jù)Stanford_alpaca和self-instruct方式生成對話問答數(shù)據(jù)
2. 知識引導的數(shù)據(jù)生成：通過 Knowledge-based Self-Instruct 方式基于中文法律結構化知識生成數(shù)據(jù)。
3. 引入 ChatGPT 清洗數(shù)據(jù)，輔助構造高質(zhì)量數(shù)據(jù)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(guī)模法律文書及法典數(shù)據(jù)上預訓練 Chinese-LLaMA
2. 第二階段：構造法律領域?qū)υ拞柎饠?shù)據(jù)集，在預訓練模型基礎上指令精調(diào)

二次訓練流程

1. 參考src/data/example_instruction_train.json構造二次訓練數(shù)據(jù)集
2. 運行src/scripts/train_lora.sh

指令精調(diào)步驟

1. 參考src/data/example_instruction_tune.json構造指令微調(diào)數(shù)據(jù)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：請問加班工資怎么算？

局限性

由于計算資源、數(shù)據(jù)規(guī)模等因素限制，當前階段 LawGPT 存在諸多局限性：

1. 數(shù)據(jù)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(chǎn)生不可預測的有害內(nèi)容以及不符合人類偏好和價值觀的內(nèi)容。
3. 自我認知能力存在問題，中文理解能力有待增強。