明敏 发自 凹非寺
量子位 | 公众号 QbitAI
大模型中的“罗翔老师”，出现了！
北大团队打造的法律大模型ChatLaw，发布即冲上知乎热搜第一。
它具备大模型能力和充足法律知识，能给法律小白们答疑解惑、提供法律建议。
比如针对网络热议事件，它能给出应该参考的法条，并针对具体案例进行分析：
还可以生成专业的法律文书：
仿佛就像是在和真人律师对话。
如果它察觉到人类需要寻求人工服务时，还会推荐相应的法律援助中心。
同时ChatLaw也能成为专业律师们的小助手，帮他们处理繁琐的基础工作。
这就是北京大学深圳研究生院-兔展智能AIGC联合实验室（主任：北大田永鸿教授）带来的最新工作。
他们在通用大模型基础上，使用大量法律领域结构化文本数据进行训练，并找来资深律师辅助人工标注、进行高质量事实型多轮对话，最后炼成了ChatLaw。
与此同时还开源了3个模型：ChatLaw-13B、ChatLaw-33B和ChatLaw-TextVec。
效果到底如何？我们已经拿到内测资格实际体验了~
而且和主创团队问了问ChatLaw背后更多细节。
大模型中的“罗翔老师”
进入主页后，可以发现ChatLaw提供对话、写作、知识库三种模式。
以对话模式为例，又可分为普通类和专业类。对话模型包括快速、均衡和详细三种，可以按照自己的需要来做选择。
然后就可以用最普通的大白话，来向ChatLaw描述自己的遭遇了。
和常见的通用大模型不同，ChatLaw不是一上来就回答问题，而是会先引导你补充更多详细信息。
这也符合一般法律咨询的情况，当事人往往很难一次性提供全面的信息，很多表述都不明确。
在得到补充信息后，它就能做出相应的分析了。
当然ChatLaw还能处理更加复杂的情况，比如从文件中抽取关键信息做出分析。
在下面的场景中，当事人描述了自己突然被公司强制解雇的情况，ChatLaw简单分析后认为，这可能存在劳务纠纷，为了能更准确提供建议，它需要当事人提供劳动合同以及解雇通知等。
可以看到ChatLaw是支持上传文件的。
在拿到对应后，它将信息总结成了一个清晰的树状图，并将事实用法律语言进行描述，和当事人确认情况。
而且ChatLaw也能处理多模态信息，比如读取录音文件。
更进一步还可以生成法律文书。
而且不光是给普通人提供法律咨询服务，ChatLaw还能充当专业律师的助手。
比如可以基于上下文批量生成文书。
所以，ChatLaw是如何实现如上效果的？
先验知识约束+模型调度
在构成上，ChatLaw是由1个调度模型和3个子模型组成。
这使得它能更加专业地解决具体问题。
主要创新性工作有两方面：
-
先验知识约束
-
模型调度
这两方面工作可以有效降低模型幻觉，并让它能更加灵活智能地解决问题。
先来看先验知识约束方面。
研究团队认为，对于一个垂直领域大模型而言，需要既专业又准确。
尤其是法律这种严肃的行业，一定要尽可能降低模型回答的错误率。
但对于通用大模型来说，训练数据集中往往没有包含非常充足的专业法律知识。比如ChatGPT显然是没有拿国内法条训练过的，乱回答的现象非常严重。
这也就是常说的“模型幻觉”问题。
想要避免就需要进行大量的专业知识训练，即先验知识约束。
在这方面，研究团队使用大量判例文书、法律法规和司法解释，建立了一个大规模知识库。
同时和北大国际法学院、行业知名律师事务所合作，确保数据专业性。
然后在训练阶段将这些法律数据注入大模型中，专门建立一个微调子模型，可以进行关键词检索，来改善单纯依赖矢量数据库检索时不准确的问题。
同时在推理阶段也引入多个模块，将通识模型、专业模型和知识库融为一体，在推理中进行约束，以保证ChatLaw生成正确的法律建议，尽可能减少模型幻觉。
具体模型架构如下：
目前这一方法也同步在arXiv上发表。
据了解，团队还特地整理了过去十年的法考考试题，建立了一个包含2000个问题的司法考试测试集。
通过ELO机制进行检验，ChatLaw模型在测试集上成功击败GPT4，获得最高分。
同时也论证了在专业领域，百亿参数量的模型可以保持卓越的准确性。
而在实际应用场景中，仅仅有强大的专业能力还不够，还需要能够灵活应对各种提问。
在这方面，ChatLaw提出了一个“调度模型”的概念。
研究团队使用针对性微调训练了一个专用调度模型，它能够对问题进行分析，然后对子模型和插件进行调度重组，最终呈现出多个模态的输入和输出。
这样一来，ChatLaw就能将文件、音频、文字整合在一起分析，同时支持法律文书、思维导图等输出，还能推荐专业的法律援助。
值得一提的是，除了发布ChatLaw，团队还一并开源了三个模型。
-
ChatLaw-13B，此版本为学术demo版，基于姜子牙Ziya-LLaMA-13B-v1训练而来，中文各项表现很好，但是逻辑复杂的法律问答效果不佳，需要用更大参数的模型来解决。
-
ChatLaw-33B，此版本为学术demo版，基于Anima-33B训练而来，逻辑推理能力大幅提升，但是因为Anima的中文语料过少，导致问答时常会出现英文数据。
-
ChatLaw-Text2Vec，使用93w条判决案例做成的数据集基于BERT训练了一个相似度匹配模型，可将用户提问信息和对应的法条相匹配，例如：
“请问如果借款没还怎么办？”
“合同法(1999-03-15): 第二百零六条 借款人应当按照约定的期限返还借款。对借款期限没有约定或者约定不明确，依照本法第六十一条的规定仍不能确定的，借款人可以随时返还；贷款人可以催告借款人在合理期限内返还。”
两段文本的相似度计算为0.9960.
在官方展示的测试中，ChatLaw还可以具备联网能力，效果可以更好。
不过由于目前服务器资源不足，暂时关闭了法条检索模块。
以及在用户隐私保护方面，ChatLaw会对上传的文件数据进行脱敏处理。
和ChatExcel团队师出同门
不过为啥研究团队想要做一个法律领域的专业大模型呢？
这就还得从一家跑路的雅思机构说起了……
主创团队小哥表示，2018年他报名的雅思课，才开课一星期机构就卷钱跑路了。他想要通过法律途径维权，结果发现这还真不是一件容易的事：
请一个律师至少要3000块，包括法律咨询、写诉讼状等……成本太高了。
但普通人自己来搞定这些，又确实很难。比如需要使用“法言法语”描述问题等……
结合今年的趋势他就想到，能不能让大模型来给普通人提供法律咨询服务。
毕竟大数据也显示，2022年，全国法院共受理案件3372.3万件，其中由律师办理诉讼案件仅有824.4万件。74%的案件没有律师参与，当事人只能自己写材料、诉讼、协商。
而且主创团队还从专业法律人士方面了解到，律师们也很希望有一个AI工具能够帮自己提升工作效率，辅助完成一些基本工作。
（工作发表后马上有专业人士留言希望AI能提供更强大的功能）
ChatLaw的幕后团队是北京大学深圳研究生学院-兔展智能AIGC联合实验室。
值得一提的是，他们和之前爆火过的ChatExcel团队师出同门。
都是来自北京大学信息工程学院袁粒老师课题组。
袁粒是北京大学信息工程学院助理教授、博士生导师。
团队主创成员有三位，分别是课题组内的准博士生伯华、家熙，以及研究生晏阳。
此外他们也联合了北京大学国际法学院、阿尔法律师事务所提供法律专业建议和指导。
对于法律领域大模型，团队表示他们认为这在国内有着巨大的发展空间。
只有中国，拥有如此巨大规模的人口，统一的法律服务市场，规范的法律判例。
因此，我们坚定的向这个项目投入算力、资源、人力。也许我们的产品现在还有诸多未完善的地方，但技术的发展是非线性的。也许在未来某个时间点，我们能够超越GPT，为这片土地的普通人带来普惠的法律服务。
据了解，目前ChatLaw已经有一些落地合作，而法律领域还只是北大-兔展智能AIGC实验室的第一步。
未来两个月内，他们预计会陆续推出政务、金融等领域的大模型。
并且已经有了商业计划，“想做中国版Cohere”。专注于企业服务。基于法律、政务、金融3个领域，不断完善行业级大模型。
但同时这些能力也会继续向普通人开放。
感兴趣的童鞋，可戳下方体验链接申请内测~
官方地址：https://www.chatlaw.cloud/?
GitHub地址：
https://github.com/PKU-YuanGroup/ChatLaw
论文地址：
https://arxiv.org/abs/2306.16092
— 完 —
「AIGC+垂直领域社群」
招募中！
欢迎关注AIGC的伙伴们加入AIGC+垂直领域社群，一起学习、探索、创新AIGC！
请备注您想加入的垂直领域「教育」或「电商零售」，加入AIGC人才社群请备注「人才」&「姓名-公司-职位」。
点这里👇关注我，记得标星哦～
原文链接：https://blog.csdn.net/QbitAI/article/details/131545881?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522170018760416800215037488%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=170018760416800215037488&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~times_rank-8-131545881-null-null.nonecase&utm_term=AI%E6%B3%95%E5%BE%8B%E5%92%A8%E8%AF%A2
