基于中文法律知识的大语言模型——LaWGPT

山行AI

发布于 2023-06-14 16:05:05

2.6K0

发布于 2023-06-14 16:05:05

文章被收录于专栏：山行AI

在ChatGPT引领的AI浪潮下，涌现了一大批AI应用，其背后其实蕴含着一个基本事实：AI能力得到了极大突破—大模型的能力有目共睹，未来只会变得更强。这世界唯一不变的就是变，适应变化、拥抱变化、喜欢变化，天行健君子以自强不息。我们相信未来会有越来越多的大模型出现，AI正在逐渐平民化，将来每个人都可以利用大模型轻松地做出自己的AI产品。

最近这些天，github的排行榜每天都在发生着变化。昨天我们介绍了位于榜首的用于生成图片的StableStudio，今天我们介绍一款目前高居第二位的基于中文法律知识的大模型—LaWGPT。本文是一篇推广文章，一方面想要通过梳理当前比较流行的大模型应用向大家普及一下AI应用的发展实况，另一方面也希望大家能多关注一下国内AI的发展，期待能有更多人能投身到AI LLM的发展建设中来。

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[1]。

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

•🪴 2023/05/15：发布中文法律数据源汇总（Awesome Chinese Legal Resources）[2] 和法律领域词表[3]•🌟 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

1.准备代码，创建环境

‍

2.合并模型权重（可选）如果您想使用 LaWGPT-7B-alpha 模型，可跳过改步，直接进入步骤3.如果您想使用 LaWGPT-7B-beta1.0 模型：由于 LLaMA[4] 和 Chinese-LLaMA[5] 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[6]，请各位获取原版权重后自行重构模型。3. 启动示例

启动本地服务：

接入服务：

项目结构

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

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[7]

1.初级数据生成：根据 Stanford_alpaca[8] 和 self-instruct[9] 方式生成对话问答数据2.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。3.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：

1.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-LLaMA2.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

1.参考 src/data/example_instruction_train.json 构造二次训练数据集2.运行 src/scripts/train_lora.sh

指令精调步骤

1.参考 src/data/example_instruction_tune.json 构造指令微调数据集2.运行 src/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：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：

1.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。2.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。3.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[10]、@njuyxw[11]、@pengxiao-song[12]

免责声明

请各位严格遵守如下约定：

1.本项目任何资源仅供学术研究使用，严禁任何商业用途。2.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。3.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[13]，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。

文档附录

关于模型合并

由于 LLaMA[14] 和 Chinese-LLaMA[15] 没有开源模型权重。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。

Legal-Base-7b 模型基于 Chinese-LLaMA-7B 模型进行二次预训练，得到模型的具体步骤如下。

[16]1. 获取 Chinese-LLaMA-7B 原版模型权重

首先，需要获得 Chinese-LLaMA-7B 的原版模型权重。以下是一些可供参考的获取方式：

1.手动合并：根据 Chinese-LLaMA 官方文档[17]提供的合并步骤，手动合并模型权重2.检索下载：在 Hugging Face 官网模型检索[18]

将模型权重文件夹移动至 models/base_models 目录下，如 models/base_models/chinese-llama-7b-merged

[19]2. 获取 legal-lora-7b 模型权重

其次，下载[20] legal-lora-7b 模型权重，

将模型权重文件夹移动至 models/lora_weights 目录下，如 models/lora_weights/legal-lora-7b

[21]3. 运行合并脚本

最后，合并原版 Chinese-LLaMA-7B 模型权重和二次训练到的 legal-lora-7b 权重：

sh scripts/merge.sh

其他关于模型的细节信息请关注github仓库，地址为：https://github.com/pengxiao-song/LaWGPT

References

[1] 技术报告: [2] 中文法律数据源汇总（Awesome Chinese Legal Resources）: https://github.com/pengxiao-song/awesome-chinese-legal-resources [3] 法律领域词表: https://github.com/pengxiao-song/LaWGPT/blob/main/resources/legal_vocab.txt [4] LLaMA: https://github.com/facebookresearch/llama [5] Chinese-LLaMA: https://github.com/ymcui/Chinese-LLaMA-Alpaca [6] 合并方式: https://github.com/pengxiao-song/LaWGPT/wiki/%E6%A8%A1%E5%9E%8B%E5%90%88%E5%B9%B6 [7] 中文法律数据汇总: [8] Stanford_alpaca: https://github.com/tatsu-lab/stanford_alpaca#data-generation-process [9] self-instruct: https://github.com/yizhongw/self-instruct [10] @cainiao: https://github.com/herobrine19 [11] @njuyxw: https://github.com/njuyxw [12] @pengxiao-song: https://github.com/pengxiao-song [13] Awesome Chinese Legal Resources: https://github.com/pengxiao-song/awesome-chinese-legal-resources [14] LLaMA: https://github.com/facebookresearch/llama [15] Chinese-LLaMA: https://github.com/ymcui/Chinese-LLaMA-Alpaca [16] : https://github.com/pengxiao-song/LaWGPT/wiki/%E6%A8%A1%E5%9E%8B%E5%90%88%E5%B9%B6#1-%E8%8E%B7%E5%8F%96-chinese-llama-7b-%E5%8E%9F%E7%89%88%E6%A8%A1%E5%9E%8B%E6%9D%83%E9%87%8D [17] Chinese-LLaMA 官方文档: https://github.com/ymcui/Chinese-LLaMA-Alpaca [18] 模型检索: https://huggingface.co/models?search=chinese-llama [19] : https://github.com/pengxiao-song/LaWGPT/wiki/%E6%A8%A1%E5%9E%8B%E5%90%88%E5%B9%B6#2-%E8%8E%B7%E5%8F%96-legal-lora-7b-%E6%A8%A1%E5%9E%8B%E6%9D%83%E9%87%8D [20] 下载: https://huggingface.co/entity303/legal-lora-7b/tree/main [21] : https://github.com/pengxiao-song/LaWGPT/wiki/%E6%A8%A1%E5%9E%8B%E5%90%88%E5%B9%B6#3-%E8%BF%90%E8%A1%8C%E5%90%88%E5%B9%B6%E8%84%9A%E6%9C%AC