📘 法律大模型 · 性能调优

30 章 · 从入门到前沿

🧑‍⚖️ 风格 · 活泼专业

01 法律大模型概述

什么是法律大模型
与传统法律AI的区别
核心能力与挑战

02性能评估指标体系

关键指标：准确率、召回率、F1、BLEU、ROUGE
评估数据集构建方法

03数据预处理与增强

法律文本清洗、去重
回译、同义词替换、上下文增强
法律领域标注规范

04Prompt工程基础

Prompt设计原则
Few-shot / Zero-shot 学习
Chain-of-Thought 法律推理

05Prompt高级技巧

角色扮演 / 结构化Prompt
动态Prompt生成
Prompt模板库构建

06微调策略（一）

全参数微调原理与实践
LoRA 原理与实现

07微调策略（二）

QLoRA / Adapter / Prefix Tuning
法律领域微调数据构建

08推理优化（一）

INT8 / INT4 / GPTQ / AWQ 量化
量化对法律模型性能影响

09推理优化（二）

KV Cache / Flash Attention
vLLM框架 / 批处理策略

10知识增强检索(RAG)基础

RAG架构概述
向量数据库选型 (FAISS/Milvus/Chroma)
法律文档切分策略

11RAG高级优化

检索重排序 / HyDE
Self-RAG / 法律知识图谱融合

12法律知识图谱构建

法律实体识别 / 关系抽取
知识图谱存储查询 & 与LLM协同

13长文本处理策略

法律长文档分段 / 滑动窗口
LongContext (LongLoRA, Position Interpolation)

14多轮对话管理

法律咨询对话状态追踪
上下文压缩 / 记忆机制

15安全与合规性调优

合规性检查 / 敏感信息过滤
对抗性攻击防御

16模型蒸馏

知识蒸馏原理
法律领域教师/学生模型设计
蒸馏损失函数优化

17模型压缩与剪枝

结构化 / 非结构化剪枝
蒸馏与剪枝联合优化

18分布式训练与推理

数据并行 / 模型并行 / 流水线并行
DeepSpeed / Megatron 框架

19推理加速硬件适配

GPU (A100/H100) / NPU / TPU
算子融合技术

20在线学习与持续优化

用户反馈收集 / 增量学习
模型版本管理与回滚

21A/B测试与实验设计

A/B测试框架 / 实验指标
统计显著性检验

22监控与告警体系

延迟 / 吞吐量 / 错误率监控
数据漂移检测 / 自动告警

23法律领域特殊调优

法条引用准确性 / 判例匹配增强
法律逻辑推理链强化

24多语言法律模型调优

中文 vs 英文法律模型差异
跨语言迁移 / 双语语料对齐

25模型可解释性

注意力可视化 / 特征重要性
LIME / SHAP 在法律模型应用

26法律模型伦理与偏见

性别/地域偏见检测
公平性指标 / 去偏算法实践

27端到端调优案例（一）

合同审查场景全流程
数据准备→微调→推理→上线

28端到端调优案例（二）

法律咨询问答场景全流程
RAG构建→Prompt优化→多轮对话

29性能调优工具链

LangChain / LlamaIndex / HuggingFace
Weights & Biases / 自动化流水线

30未来趋势与前沿

GPT-5 / Claude 3 法律能力
Agent与法律自动化 · 行业展望