由Zhitian Hou等五位作者完成的论文《Exploring Lightweight Large Language Models for Court View Generation》于2026年5月16日提交至arXiv，编号为arXiv:2605.16770v1，归类于计算与语言（cs.CL）以及人工智能（cs.AI）两个领域。该研究聚焦法律人工智能（Legal AI）中的一项关键任务——刑事裁判文书说理生成（Criminal Court View Generation，简称CVG），即依据案件事实生成法院裁判观点。与以往依赖大型模型的研究不同，本文系统性地考察了参数量小于2B的轻量级大语言模型在CVG任务中的能力，并进一步分析其对罪名预测（charge prediction）的影响。
研究围绕四个核心问题展开。第一，不同的大语言模型架构会如何影响裁判观点生成的质量以及罪名预测的表现；第二，模型规模对性能的贡献究竟有多大，参数增长是否带来相应收益；第三，轻量级大语言模型与深度神经网络（DNN）在这两类任务上的表现孰优孰劣；第四，先通过生成裁判观点再据此预测罪名，与直接预测罪名相比，哪种路径更有效。这四个问题共同刻画了模型架构、模型规模与任务间相互影响之间的权衡关系。
为支撑上述研究，作者开发了名为CVGEvalKit的评测框架。该框架整合了三个公开可用的数据集，既覆盖裁判观点生成任务，也覆盖相应的罪名预测任务。实验中，所有模型先在混合训练集上训练，再分别在各数据集的测试集上进行评估，从而在同一标准下比较不同模型的表现。这种统一训练、分集测试的设置有助于更公平地衡量模型在跨数据集场景下的泛化能力。
实验结果为模型架构、模型规模以及不同任务之间相互影响之间的折衷关系提供了新的洞见，并凸显了轻量级大语言模型在司法人工智能应用中的潜力。作者指出，相关源代码已匿名发布于GitHub仓库https://github.com/ZhitianHou/CVGEvalKit，供研究者复现与进一步探索。该论文的DOI为10.48550/arXiv.2605.16770，由DataCite发放（注册尚待完成），全文提供PDF、实验性HTML以及TeX源码等多种形式，文件大小约273 KB。