Unilaw-R1: A Large Language Model for Legal Reasoning with Reinforcement Learning and Iterative

该文章提出了面向法律推理的大语言模型Unilaw-R1，通过高质量数据集构建、两阶段训练策略和迭代推理机制，在保证轻量化（70亿参数）的同时，解决了法律领域模型的核心痛点，且在权威基准测试中表现优异。

一、文章主要内容总结

1. 研究背景：通用推理大语言模型在法律领域应用受限，面临三大核心挑战——法律知识不足、推理逻辑不可靠、业务泛化能力弱，且法律推理需同时满足成文法外部有效性和程序内部一致性。
2. 核心解决方案：提出Unilaw-R1模型，以Qwen2.5-7B-Instruct为基础，通过“数据构建-模型训练-迭代推理”三步解决上述挑战。
   • 数据构建：打造Unilaw-R1-Data（约1.7K高质量思维链样本）和Unilaw-R1-Eval（法律专用评估基准），数据来源包括开源JEC-QA数据集和2015-2021年中国国家司法考试专有数据，经“答案检查、链条重写、解释生成、推理筛选”四步严格处理。
   • 模型训练：采用两阶段策略，先基于Unilaw-R1-Data进行监督微调（SFT），再结合Group Relative Policy Optimization（GRPO）算法进行强化学习（RL），RL阶段设计准确率、格式、法律有效性三重奖励函数。
   • 迭代推