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。

详细内容请参考技术报告。

本项目持续开展，法律领域数据集及系列模型后续相继开源，敬请关注。

更新

🌟 2023/05/30：公开发布
- LaWGPT-7B-beta1.1：法律对话模型，构造 35w 高质量法律问答数据集基于 Chinese-alpaca-plus-7B 指令精调
📣 2023/05/26：开放 Discussions 讨论区，欢迎朋友们交流探讨、提出意见、分享观点！
🛠️ 2023/05/22：项目主分支结构调整，详见项目结构；支持命令行批量推理
🪴 2023/05/15：发布中文法律数据源汇总（Awesome Chinese Legal Resources）和法律领域词表
🌟 2023/05/13：公开发布
- Legal-Base-7B：法律基座模型，使用 50w 中文裁判文书数据二次预训练
- LaWGPT-7B-beta1.0：法律对话模型，构造 30w 高质量法律问答数据集基于 Legal-Base-7B 指令精调
🌟 2023/04/12：内部测试
- LaWGPT-7B-alpha：在 Chinese-LLaMA-7B 的基础上直接构造 30w 法律问答数据集指令精调

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源汇总（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。

协作者

如下各位合作开展（按字母序排列）：@cainiao、@njuyxw、@pengxiao-song、@WNJXYK

指导老师：李宇峰、郭兰哲、涂威威（），由南京大学机器学习与数据挖掘研究组（）支持

免责声明

请各位严格遵守如下约定：

本项目任何资源仅供学术研究使用，严禁任何商业用途。
模型输出受多种不确定性因素影响，本项目当前无法保证其准确性，严禁用于真实法律场景。
本项目不承担任何法律责任，亦不对因使用相关资源和输出结果而可能产生的任何损失承担责任。

问题反馈

如有问题，请在 GitHub Issue 中提交。

提交问题之前，建议查阅 FAQ 及以往的 issue 看是否能解决您的问题。
请礼貌讨论，构建和谐社区。

协作者科研之余推进项目进展，由于人力有限难以实时反馈，给诸君带来不便，敬请谅解！

致谢

本项目基于如下开源项目展开，在此对相关项目和开发人员表示诚挚的感谢：

Chinese-LLaMA-Alpaca: https://github.com/ymcui/Chinese-LLaMA-Alpaca
LLaMA: https://github.com/facebookresearch/llama
Alpaca: https://github.com/tatsu-lab/stanford_alpaca
alpaca-lora: https://github.com/tloen/alpaca-lora
ChatGLM-6B: https://github.com/THUDM/ChatGLM-6B

此外，本项目基于开放数据资源，详见 Awesome Chinese Legal Resources，一并表示感谢。

引用

如果您觉得我们的工作对您有所帮助，请考虑引用该项目。

@misc{lawgpt,
      title={LawGPT: A Chinese Legal Knowledge-Enhanced Large Language Model}, 
      author={Zhi Zhou and Jiang-Xin Shi and Peng-Xiao Song and Xiao-Wen Yang and Yi-Xuan Jin and Lan-Zhe Guo and Yu-Feng Li},
      year={2024},
      eprint={2406.04614},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}