Large Language Models in Law: A Survey

最新推荐文章于 2025-06-11 12:06:04 发布
最新推荐文章于 2025-06-11 12:06:04 发布
阅读量450 收藏 9
点赞数 9
分类专栏： Survey Paper 文章标签： 语言模型 人工智能 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/135555016
版权
Survey Paper 同时被 2 个专栏收录
261 篇文章 ¥99.90 ¥299.90
订阅专栏 超级会员免费看
LLM 日更
828 篇文章

已下架不支持订阅

本文探讨了大语言模型（LLM）在法律领域的应用，包括为用户提供法律咨询、协助法官审判，同时也指出LLM面临的挑战，如长文本处理、适应性和数据隐私。文章提出了未来的发展方向，强调数据质量、模型智能与伦理监管的重要性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文是LLM系列文章，针对《Large Language Models in Law: A Survey》的翻译。

大型法律语言模型综述

摘要

人工智能的出现对传统司法行业产生了重大影响。此外，最近，随着人工智能生成内容（AIGC）的发展，人工智能和法律在各个领域都有应用，包括图像识别、自动文本生成和交互式聊天。随着大模型的迅速出现和日益普及，人工智能显然将推动传统司法行业的转型。然而，法律大语言模型的应用仍处于初级阶段。需要解决几个挑战。在本文中，我们旨在提供一个全面的调查法律LLM。我们不仅对LLM进行了广泛的调查，还揭示了它们在司法系统中的应用。我们首先概述了法律领域的人工智能技术，并展示了LLM的最新研究。然后，我们讨论了法律LLM提出的实际实施，例如为用户提供法律咨询和在审判期间协助法官。此外，我们还探讨了法律LLM的局限性，包括数据、算法和司法实践。最后，我们总结了切实可行的建议，并提出了应对这些挑战的未来发展方向。

1 引言

2 LLM的关键技术

3 司法技术的演变

4 最近的应用

5 挑战

6 未来

了解本专栏 订阅专栏 解锁全文 超级会员免费看
论文翻译：arxiv-2024.Datasets for Large Language Models: A Comprehensive Survey
CSPhD-winston的博客
11-06 48
本文着手探索大型语言模型（LLM）数据集，这些数据集在LLM的显著进步中扮演着至关重要的角色。数据集作为基础架构，类似于根系，支撑并滋养着LLM的发展。因此，对这些数据集的检查成为了研究中的关键话题。为了解决目前缺乏对LLM数据集全面概述和深入分析的问题，并洞察它们的现状和未来趋势，本调查从五个角度整合并分类了LLM数据集的基本方面：（1）预训练语料库；（2）指令微调数据集；（3）偏好数据集；（4）评估数据集；（5）传统自然语言处理（NLP）数据集。本调查揭示了当前的挑战，并指出了未来研究的潜在途径。
A Survey on Large Language Models for Critical Societal Domains: Finance, Healthcare, and Law
c_cpp_csharp的专栏
09-09 305
在快速发展的人工智能领域，GPT-3 和 GPT-4 等大型语言模型 （LLM） 正在彻底改变金融、医疗保健和法律的格局：这些领域的特点是依赖专业知识、具有挑战性的数据采集、高风险和严格的监管合规性。本调查详细探讨了 LLM 在这些高风险领域的方法、应用、挑战和前瞻性机会。我们强调了 LLM 在加强医疗保健诊断和治疗方法、创新财务分析以及完善法律解释和合规策略方面的重要作用。此外，我们批判性地审查了这些领域 LLM 应用的道德规范，指出了现有的道德问题以及尊重监管规范的透明、公平和强大的 AI 系统的需求。
A Comprehensive Evaluation of Large Language Models on Legal Judgment Prediction
weixin_43961909的博客
08-07 1159
大型语言模型 (LLM) 已显示出在特定领域应用（例如法律领域）中的巨大潜力。然而，最近围绕 GPT-4 法律评估的争议引发了人们对其在现实世界法律任务中的表现的质疑。为了系统地调查他们在法律方面的能力，我们基于 LLM 设计了实用的基线解决方案，并在法律判断预测任务上进行了测试。在我们的解决方案中，LLM 可以单独工作以回答开放式问题，或与信息检索 (IR) 系统协调以从类似案例中学习或解决简化的多项选择题。
Large Language Models: A Survey大模型综述论文章节总结
weixin_45320238的博客
10-12 469
其他LLM模型：FLAN、Gopher、ERNIE 4.0、Retro、LaMDA、ChinChilla、Galactia-120B、CodeGen、BLOOM、Zephyr、Grok-0、ORCA-2、StartCoder、MPT、Mixtral-8x7B、Falcon 180B、Gemini。GPT： 仅解码器，GPT-1、GPT-2、GPT-3、InstrucGPT、ChatGPT、GPT-4、CODEX和WebGPT。LLM缺点：没有内存、回答概率性、过时的信息、训练成本大、产生幻觉。
【AI视野·今日NLP 自然语言处理论文速览 第五十六期】Tue, 17 Oct 2023
TomRen
10-18 1496
AI视野·今日CS.NLP 自然语言处理论文速览 Tue, 17 Oct 2023 (showing first 100 of 135 entries) Totally 100 papers 👉上期速览✈更多精彩请移步主页 Daily Computation and Language Papers Step-by-Step Remediation of Students' Mathematical Mistakes Authors Rose E. Wang, Qingyang Zhang,
LLMs：《Instruction Tuning for Large Language Models: A Survey—大型语言模型的指令调优的综述》翻译与解读之Datasets数据集
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
08-20 1238
​ LLMs：《Instruction Tuning for Large Language Models: A Survey—大型语言模型的指令调优的综述》翻译与解读之Datasets数据集 目录 相关文章 《Instruction Tuning for Large Language Models: A Survey—大型语言模型的指令调优的综述》翻译 3 Datasets指令微调数据集 相关文章 LLMs：《Instruction T
A Survey of Large Language Models大模型综述论文章节总结
weixin_45320238的博客
10-17 2011
这篇论文出自于中国人民大学，全面回顾了大型语言模型 (LLM) 的最新进展，重点关注其发展背景、关键发现和主流技术。
Retrieval-Augmented Generation for Large Language Models: A Survey RAG 快速解读-图解
weixin_44287798的博客
05-31 1243
RAG综述解读 Retrieval-Augmented Generation for Large Language Models: A Survey
A Survey of Large Language Models（个人笔记）
RSociopath的博客
07-31 670
After instruction tuning, LLMs can demonstrate superior abilities to generalize to unseen tasks [28, 62, 64], even in a multilingual setting” (Zhao 等, 2023, p. 19) 经过指令调整后，LLMs可以表现出优越的泛化能力，即使在多语言环境下，也可以泛化到未见过的任务[ 28、62、64 ]
笔记-《A Survey of Large Language Models》- 尾声
Working harder, getting stronger!
03-27 2275
Sutton, S.Schuh, K.Lomeli, L.Mann, E.Perez, N.5547–5569.[Online].[152] J.Austin, A.Odena, M.I.Nye, M.353–355.[177] P.V.ACM, 2022.559–578.Drain, S.Fort, D.4582–4597.Yih, Eds.8410–8423.[240] Q.Zhang, M.Chen, A.He, Y.Cheng, W.
A Survey on Knowledge Distillation of Large Language Models(大语言模型知识蒸馏综述)
qq_46094659的博客
03-20 1950
例如高级上下文跟踪（例如，上下文学习（Huang 等人，2022a）和指令跟踪（Taori 等人，2023））、改进与用户意图的一致性（例如，人类价值观/原则（Cui 等人，2023a），以及思想链（CoT）等思维模式（Mukherjee 等人，2023）），以及 NLP 任务专门化（例如，语义理解（Ding 等人） al., 2023a) 和代码生成 (Chaudhary, 2023))。该调查提出了第 6 节中的未解决问题，确定了知识蒸馏研究中当前的挑战和差距，为未来的工作提供了机会。
yolo模型精度提升策略
qq_47798402的博客
06-09 597
结合起来，才能最大程度地提升那6种相似BGA的区分能力，从而显著提高整体mAP。持续进行基于难例分析的主动学习是突破瓶颈的可持续方法。使用自适应优化器、学习率热身与余弦退火，进行充分长周期的训练（配合早停）。持续收集模型在相似BGA上的错误样本，优先标注并加入训练集进行迭代。设计模拟BGA实际成像挑战（反光、模糊、视角变化）的增强方案。尝试引入注意力机制，将分类损失替换为。训练数据（2倍以上是合理起点）。（Focal Loss）以及。显著增加6种相似BGA的。（特别是注意力机制）、
原始的 P-Tuning 和 P-Tuning v2 在实现细节上有哪些不同
ZJQ的博客
06-10 512
P-Tuning v2（2022） - **改进点**： - 在模型的每一层都添加软提示（类似 Prefix Tuning 的思路），而不只是输入层。 - **引入轻量级 MLP 层**：在预训练模型的输出后添加一个小型的多层感知机，增强分类能力。 - **结构特点**： ``` 输入文本 + 软提示 → 预训练LM → MLP层 → 分类输出 ``` MLP 通常由 1-2 层线性层组成，参数量远小于全量微调。
二维张量dim=1
GHL_17768588743的博客
06-11 271
在PyTorch中处理二维张量（矩阵）时，‌dim=1‌，也就是逐行处理每一行的所有列元素。
扣子开发汽车行业智能客服示例
brucexia的专栏
06-11 797
在本节中，我们想要创建一个AI客服，用于介绍汽车领域的行业知识，因此需要利用知识库的能力。首先，梳理汽车行业知识，形成FAQ（常见问题解答）。然后，将其上传到知识库中。最后，将知识库配置到AI Agent智能体中，使其能够调用知识库的内容作为回复。完成以上步骤之后，当用户咨询Agent有关汽车领域知识的问题时，Agent将根据FAQ的内容进行回答。传统的机器人客服只能生硬地套用FAQ，缺乏灵活性。
简繁体智能翻译软件
weixin_62784879的博客
06-09 369
以常见物品为例：内地称\"创口贴\"，香港称\"胶布\"，台湾称\"OK绷\"；汽车品牌\"奔驰\"在香港译作\"平治\"、台湾译作\"宾士\"，这类词汇差异需要额外认知成本。该工具内置智能词库系统，能自动识别并转换具有地区特色的用词表达，实现内地、香港、台湾三地语言习惯的精准转换。针对台湾地区使用的注音符号（如ㄅㄆㄇㄈ）及网络流行的火星文等特殊文字形式，提供对应的转换方案。这款工具还有许多功能，我就不一一介绍啦。
大模型Transformer触顶带来的“热潮退去”，稀疏注意力架构创新或是未来
最新发布
打造全国最全的AI Agent开发知识领域的博客
06-11 1161
大模型狂欢落幕，硬核创新登场！Transformer逼近能力天花板，Agent应用成落地新大陆，而架构层正孕育颠覆性突破。中国团队在云端与终端双轨并进，用稀疏注意力、端侧推理优化打开效率魔盒。告别内卷式数据堆砌，迎接深水区技术创新——这一篇，看懂AI未来十年胜负手！
（五）动手学深度学习计算：从数学原理到高效实现的全流程指南
hanyuge的专栏
06-08 651
在实际应用中，我们常常需要自定义层和块来实现特定的功能。PyTorch提供了灵活的API来创建自定义层和块。无参数层：实现不包含可学习参数的层，如激活函数层。return torch.sigmoid(x) # 示例：Sigmoid激活函数含参数层：实现包含可学习参数的层，如自定义的全连接层。组合层：将多个层组合成一个块，实现复杂的功能。return x层是深度学习模型的基本构建块，执行特定的计算任务。块是由多个层组成的模块，提高代码的可读性和可维护性。
职业生涯思考
fuyouzhiyi的博客
06-06 548
这种复杂的感受，我来帮你试着梳理出来。如果你觉得某些句子正好说中了你，就把它留下。
Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
03-09
### Chain-of-Thought Prompting Mechanism in Large Language Models In large language models, chain-of-thought prompting serves as a method to enhance reasoning capabilities by guiding the model through structured thought processes. This approach involves breaking down complex problems into simpler components and providing step-by-step guidance that mirrors human cognitive processing. The creation of these prompts typically includes selecting examples from training datasets where each example represents part of an overall problem-solving process[^2]. By decomposing tasks into multiple steps, this technique encourages deeper understanding and more accurate predictions compared to traditional methods. For instance, when faced with multi-hop question answering or logical deduction challenges, using such chains allows models not only to generate correct answers but also articulate intermediate thoughts leading up to those conclusions. Such transparency facilitates better interpretability while improving performance on various NLP benchmarks. ```python def create_chain_of_thought_prompt(task_description, examples): """ Creates a chain-of-thought prompt based on given task description and examples. Args: task_description (str): Description of the task at hand. examples (list): List containing tuples of input-output pairs used for demonstration purposes. Returns: str: Formatted string representing the final prompt including both instructions and sample cases. """ formatted_examples = "\n".join([f"Input: {ex[0]}, Output: {ex[1]}" for ex in examples]) return f""" Task: {task_description} Examples: {formatted_examples} Now try solving similar questions following above pattern. """ # Example usage examples = [ ("What color do you get mixing red and blue?", "Purple"), ("If it rains tomorrow, will we have our picnic?", "No") ] print(create_chain_of_thought_prompt("Solve logic puzzles", examples)) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值