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、**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。
-
- 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!
-
🪴 2023/05/15:发布 中文法律数据源汇总(Awesome Chinese Legal Resources) 和 法律领域词表
-
-
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
-
-
- 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
-
准备代码,创建环境
# 下载代码 git clone [email protected]: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。
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
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。
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
- 参考
resources/example_instruction_train.json
构造二次训练数据集 - 运行
scripts/train_clm.sh
- 参考
resources/example_instruction_tune.json
构造指令微调数据集 - 运行
scripts/finetune.sh
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
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。
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
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。
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!
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。
如果您觉得我们的工作对您有所帮助,请考虑引用该项目