研究了大型语言模型在法律领域的应用，通过设计基于大型语言模型的实用基准解决方案，并在法律判决预测任务上测试，发现类似案例和多项选择选项对大型语言模型的领域知识回忆至关重要，同时也揭示了信息检索系统在某些情况下超过了大型语言模型与信息检索系统的组合，从而使大型语言模型的角色变得多余。

Oct, 2023

通过强化学习与逻辑反馈，加强语言模型在逻辑推理方面的能力，为处理复杂法律推理任务的大型语言模型的发展提供新的研究途径，并承认了语言与逻辑之间的基本联系。

Nov, 2023

使用生成式语言模型对复杂任务进行分类的能力有限，需要进行精细调优，而对法律推理的分类则表明人工注释密集的分类方法仍然具有重要意义。

Oct, 2023

提出了一种名为 “LegalDuet” 的模型，通过预先训练语言模型，学习一个定制的嵌入空间，用于进行法律判断，并通过双视角的推理机制，从法官的判断经验和案例中提取法律线索来区分刑事案件。在 CAIL2018 数据集上，LegalDuet 表现优于基线模型，平均提高了约 4%。

Jan, 2024

我们提出了 DISC-LawLLM，一个利用大型语言模型（LLMs）提供各种法律服务的智能法律系统。我们采用法律推理提示策略在中国司法领域构建了监督微调数据集，并使用具备法律推理能力的 LLMs 进行微调。我们通过检索模块增强了 LLMs 的能力，以访问和利用外部法律知识。我们提出了全面的法律评估基准 DISC-Law-Eval，从客观和主观的角度评估智能法律系统。在 DISC-Law-Eval 上的定量和定性结果表明我们的系统在为各种不同法律场景下的用户提供服务方面的有效性。详细的资源可以在此 https URL 找到。

Sep, 2023

利用大型语言模型进行相关判决的准确性研究，提出了一种适用于法律案例相关判决的新型工作流程，并通过与人工专家判断的比较，证明了该工作流程可以获得可靠的相关判决，并通过大型语言模型生成的数据综合增强现有的法律案例检索模型的能力。

Mar, 2024

大型语言模型（LLMs）的发展促使人们对其推理和问题解决能力产生了更大的兴趣。本研究调查了几种 LLMs 是否能够解决认知科学文献中一种经典类型的演绎推理问题。研究发现，这些被测试的 LLMs 在传统形式上解决这些问题的能力有限。我们进行了后续实验，探究了更改展示格式和内容是否能改善模型性能。尽管我们发现了条件之间的绩效差异，但总体性能并未提高。此外，我们还发现性能与展示格式和内容以出人意料的方式相互作用，与人类表现有所不同。总的来说，我们的结果表明 LLMs 具有独特的推理偏见，其只能部分预测人类的推理表现。

Sep, 2023

本研究通过多任务学习将案件中的原告索赔、法庭辩论数据进行全面理解，以更准确地预测司法裁决。实验结果表明，该模型相较于强有力的基线算法，具备更好的判决质量和效率，被真实法官和法学生用于实践并证明其具有更好普适性和解释性。

Jul, 2021

给定一个初始解决方案，我们引入了一个自适应求解器框架，通过动态适应策略，包括模型适应、提示方法适应和分解粒度适应，来提高计算效率和整体性能，同时减少 API 成本。

Oct, 2023

提出了多被告行为描述的刑事判决预测任务，引入了分层推理链以及一种名为 HRN 的多被告刑事判决预测方法，同时构建了一个用于加速相关研究的真实世界多被告刑事判决预测数据集 MultiLJP。通过对 MultiLJP 的广泛实验验证了所提出的 HRN 方法的有效性。

Dec, 2023