LawGPT 1.0 简介:基于 GPT-3 的虚拟法律助手
LawGPT 是第一个专门为中国法律应用设计的开源模型,通过在大规模中国法律文件上进行法律导向的预训练和法律指导下的精细调优,LawGPT 在下游法律任务的表现优于开源模型 LLaMA 7B。
Jun, 2024
该篇论文旨在构建专为法律领域定制的生成语言模型,其中 LexGPT 模型可通过 “无代码” 方法对专业数据进行微调,以用于下游任务,但分类器性能比最先进的结果明显较低。
Jun, 2023
本文提出 “晴空想法”,阐述了数据挖掘和机器学习领域制造计算法律代理以帮助人类律师处理复杂高级法律任务的机遇和挑战,详细探讨了类似 ChatGPT 的大型法律语言模型(L$^3$M)当今的能力和局限性,为研究人员提供有前途的短期和长期研究目标。
Mar, 2023
对 GPT-4 在生成有关立法术语方面的准确性、清晰性和相关性上的表现进行评估。与基准设置相比,采用法律信息检索模块提供以前案例中的语句作为模型的上下文可以获得更好的结果,从而可以自主检索相关案例,并将这些案例中有用的语句压缩成有用的法律解释。
Jun, 2023
使用 Aalalp 模型能够更好地解决数据隐私、数据异构性、领域知识复杂性以及领域目标独特性等挑战,主要关注法律推理而非法律记忆,对律师、法官和从事法律系统工作的人非常有帮助。
Jan, 2024
大型语言模型可以提高对法律系统的访问,但是目前很少有关于它们在进行法律任务方面有效性的实证研究。本研究以涉及加密货币的证券案件为背景,研究了语言模型的法律推理和起草能力。我们使用真实案例的情节喂给 GPT-3.5,并评估其确定正确违规行为的能力。研究发现,GPT-3.5 的法律推理能力较弱,但在法律起草方面表现更好。虽然目前无法取代律师,但这些模型的起草能力可以通过降低法律服务成本,为更多人提供司法公正的机会。本研究是第一个系统研究大型语言模型在诉讼、证券法和加密货币相关不当行为中的法律起草和推理能力的研究。
Aug, 2023
通过使用生成性人工智能,本研究论文描述了三种自动化完成法庭表格的方法:一种使用 GPT-3 通过迭代询问用户问题的生成性人工智能方法,一种使用 GPT-4 Turbo 生成受人工审核的问题草稿的受限模板驱动方法,以及一种混合方法。我们在所有三个实验中使用开源的 Docassemble 平台和由 Suffolk 大学法学院创建的 Assembly Line Weaver 工具。我们得出结论,混合模型中的受限自动起草和人工审核最适合编写引导性访谈的任务。
Dec, 2023
本研究评估了通用人工智能在法律问答任务中的表现,突出了对法律专业人员和客户存在的重大风险。研究建议利用基础模型并加强领域专业知识以克服这些问题,并提倡创建开源法律人工智能系统以提高准确性、透明度和叙述多样性,从而解决通用人工智能在法律背景下的缺点。
Apr, 2024
本文介绍 GPT-3 技术的历史发展、关键特性、机器学习模型和数据集,并讨论了其在各个领域中的应用,如人工智能聊天机器人、软件开发、创意工作、领域知识和商业生产力;同时探讨了 GPT-3 面临的挑战,如训练复杂性、偏见和幻觉 / 错误答案等,并讨论了未来的研究机会。
Dec, 2022
公开可获得的最好的 LLM(如 GPT-4 和 PaLM 2)在律师或律师助理所需的基本文本处理方面表现不佳,我们引入了一个基准来量化这种不良表现,这对于目前的 LLMs 在法律实践中的可靠性提出了疑问。为这些任务进行微调使得一种旧的 LLM 在我们的测试集上接近完美的表现,并提高了与法律相关的任务的表现。这个鲜明的结果凸显了在 LLM 训练中需要更多的领域专业知识。
Nov, 2023