探索用于法院判决生成的轻量级大型语言模型

刑事法院判决生成（Criminal Court View Generation, CVG）是法律人工智能（Legal AI）中的一项关键任务，其目标是根据案件事实自动生成法院的观点。近期，来自北京航空航天大学等机构的研究人员在一篇提交至arXiv的论文中，系统性地探索了轻量级（参数小于2B）大型语言模型（LLM）在CVG任务中的能力及其对罪名预测的影响。该研究旨在回答四个核心问题：不同架构的LLM如何影响CVG质量和罪名预测性能？模型规模如何影响整体表现？轻量级LLM与传统深度神经网络（DNN）相比结果如何？以及先通过生成法院观点再预测罪名，与直接预测罪名相比，哪种方式更优？

为了系统评估这些问题，研究团队开发了CVGEvalKit评估框架，该框架整合了三个公开可用的CVG数据集，并支持罪名预测任务。实验中，他们在混合训练集上训练模型，并在每个数据集的测试集上进行评估。全面的实验结果表明，不同架构的LLM在生成质量和预测准确性上存在显著差异，而模型规模的增加并不总是带来性能的提升。事实上，轻量级模型在资源受限的场景下展现出令人瞩目的竞争力，甚至在某些指标上超越了更重的模型。与DNN相比，轻量级LLM表现出相当甚至更优的性能，同时保持了较低的部署成本。

此外，研究还发现，先通过生成法院观点再进行罪名预测的方法在某些情况下优于直接预测，这为司法AI的流程设计提供了新的思路。CVGEvalKit的发布为CVG研究提供了标准化的基准平台，降低了后续研究的复现门槛。目前，所有代码已在GitHub上匿名开源，研究人员可以轻松访问和复现实验。这项研究不仅突出了轻量级LLM在司法AI应用中的巨大潜力，也为未来在资源有限环境中部署智能法律助手奠定了坚实的基础。随着技术的不断进步，轻量级LLM有望在更广泛的司法场景中发挥重要作用，推动法律领域的智能化转型。