训练中文垂类大模型：Lawyer LLaMA

开源的通用能力大模型越来越多，但真正有用和落地的是在某个领域专精的垂类模型。初看上去，似乎大模型仅需要少量prompt工作就可以很好地在垂类工作，可事实并非如此。不进行领域微调的通用模型可以很快地构建80分的应用，可是大部分的实用场景，需要95甚至98分的模型效果。这也是为什么在各个领域（如金融、车载、虚拟人）大家都在训练或微调自己大模型的原因。

微调这件事看上去不难，但却有很多未解问题：

• 如何基于英文大模型继续训练一个中文大模型？
• 垂类数据应该在预训练阶段引入，还是指令微调时引入？
• 通用指令数据与垂类任务数据的混合比例有什么讲究？

上面的每个问题都有很多种不同的方案，但限于时间和成本，逐一实验是不可行的，AB测试也会带来额外的成本。所以有趣的事情出现了，各个玩家对自己训练时的细节都讳莫如深，自己训练的时候也都遇到过各种各样奇怪的坑。更有意思的是，即使别人提供了一些细节参考，自己在训练时未必能够复现 :-( 。

代码库：# Lawyer LLaMA

Lawyer LLaMA技术报告：# Lawyer LLaMA Technical Report

先来看个Demo:

BELLE是基于LLaMA使用通用中文语料训练的模型，从上面的对比可见通用中文模型缺少法律领域的知识，即使给定了参考法条，它也不能很好地利用它生成比较好的回复。

上图说明了Lawyer LLaMA的训练过程，主要关注主线s0->s1->s4->s7->s9->s12:

• s0->s1: 用多语言通用语料使模型可以理解中文
• s1->s4: 用中文法律语料给模型补充法律知识

• s4->s7: 用通用SFT训练数据使模型可以完成指令
• s7->s9: 用法考数据与法律咨询数据继续训练，使模型提升推理能力
• s9->s12: 增加检索模块，增强模型使用外部知识的回复能力

增强中文能力

s0->s1阶段，由于LLaMA是个英文模型，首先需要提升它的中文理解能力。

此阶段的问题之一，是否要扩展词表？LLaMA原始词表中只有700个中文字符，但作者之前的研究显示扩展词表在下游中文任务上的表现不好，因此本文保持了原始词表。

另一个问题在于，继续预训练是仅使用中文，还是中英语料混合训练？考虑到英文预训练能带来部分推理能力，最终选择多语言通用语料混合训练（均经过采样）:

• 中文：WuDaoCorpora, CLUECorpus2020, 中文Wikipedia
• 英文：C4

注入法律领域知识

s1->s4继续预训练阶段，作者收集了一些法律领域的中文文本，包括法律文章和司法解释。同时也加入了一些通用文本避免模型在法律文本上过拟合。

学习推理能力

s4->s7，进入SFT阶段，作者使用国家法考数据JEC-QA，同时利用ChatGPT进一步构造数据，让它给出更详细的解释。JEC-QA包括26365个单选和多选问题，但不包括对这些答案的解释。因此，在训练阶段，论文以QA对为指令，让ChatGPT对它进行解释。此外，还收集了真实用户咨询律师的一些问题，并使用ChatGPT构造回复。然后用构造的数据训练模型，增加其在法律领域的推理能力。

用ChatGPT构造回复时，在prompt中有六个要求：

• 恰当引用法条
• 基于事实和法条给出可靠的分析
• 给出详尽的分析，并给出潜在的可能性
• 适当反问挖掘事实，帮助给出更好回答
• 使用直白和普通的语言描述
• 给出初步的法律观点和咨询结论

下面是ChatGPT生成的答案解析范例：

Human:

根据《物权法》，下列关于物权变动的特别规定，表述正确吗？
因继承或者受遗赠取得物权的，自继承或者受遗赠开始时发生效力
请给出详细的推理过程之后再给出答案。

Assistant:

这个表述是正确的。
根据《物权法》第X条规定：“因继承或者受遗赠取得物权的，自继承或者受遗赠开始时发生效力。”这意味着，当一个人通过继承或受遗赠获得物权时，这个物权的效力是从继承或受遗赠开始时就生效的，而不是从物权转移的时间开始生效。这是因为，继承或受遗赠是一种法定的方式来获得物权，因此，物权的效力应该从这个法定的时间点开始生效。

检索相关法条

论文发现即使在预训练阶段反复学习这些文章，模型在生成回复时依然不能很好地利用这些法条(幻想问题)：模型很可能参考了一个无关文章或字面相近的法律条文。所以此处训练了一个检索模块，用类似knowlege grounded conversation的方式进行知识增强。

检索模块的数据构造使用法律咨询的真实问题，并对每个问题让法律从业人员标注了3篇相关法条。检索模块基于RoBERTa，可达0.85Recall@1和0.94Recall@5。

训练生成模型时发现它倾向于将所有检索出的内容都加入回复，即使它们不相关。因此作者在训练时加入了无关文章，让模型可以更好区分无用信息。此外，对于prompt模板也进行了修改，使用检索模块的数据范例：

Related Legal Articles:

《民法典》第一千零八十七条：离婚时，夫妻的共同财产由双方协议处理；协议不成的，由人民法院根据财产的具体情况，按照照顾子女、女方和无过错方权益的原则判决。对夫或者妻在家庭土地承包经营中享有的权益等，应当依法予以保护。
《民法典》第一千零六十三条：下列财产为夫妻一方的个人财产：（一）一方的婚前财产；（二）一方因受到人身损害获得的赔偿或者补偿；（三）遗嘱或者赠与合同中确定只归一方的财产；（四）一方专用的生活用品；（五）其他应当归一方的财产。
《民法典》第一千零六十二条：夫妻在婚姻关系存续期间所得的下列财产，为夫妻的共同财产，归夫妻共同所有：（一）工资、奖金、劳务报酬；（二）生产、经营、投资的收益；（三）知识产权的收益；（四）继承或者受赠的财产，但是本法第一千零六十三条第三项规定的除外；（五）其他应当归共同所有的财产。夫妻对共同财产，有平等的处理权。

Human:

你好，离婚后夫妻的财产是怎么分配的

Assistant:

您好，根据《民法典》的相关规定，离婚后夫妻的财产分配可以通过夫妻双方协商处理，如果没有协商一致，则需要由法院根据财产的具体情况，按照照顾子女、女方和无过错方权益的原则进行判决。对于夫妻在婚姻关系存续期间所得的共同财产，包括工资、奖金、劳务报酬、生产、经营、投资的收益、知识产权的收益、继承或者受赠的财产以及其他应当归共同所有的财产，应当平分。而夫妻在婚姻关系存续期间所获得的个人财产，包括婚前财产、因受到人身损害获得的赔偿或者补偿、遗嘱或者赠与合同中确定只归一方的财产、一方专用的生活用品，应当归该方所有。请问你们在婚姻关系存续期间所得的财产情况如何呢？

实验结果基于LLaMA-7B，一些主要结果：

• s0->s1: C3中文QA数据集提升 5.3%，显示用多语言通用语料训练后，模型中文理解能力提升，英文理解能力无损失。但在CAM和CAP任务上指标显著下降，作者猜想是由于新加的中文数据集多是新闻和wiki，与原始LLaMA的预训练数据分布差异较大所致。
• s0->s4: CAM数据集提升21.6%，显示用中文法律数据继续预训练后，模型学习到了婚姻法相关知识。
• s0->s4->s7: 法考JE-C和JE-S上分别有3.9%和2.85%的提升，显示用中文法律数据和通用指令训练后，模型可以更好地处理法律相关的任务。但如果使用对话指令微调数据训练后(s8,s10,s11)，在法考指标上有所下降。猜想是法考问题和实际法务咨询问题相差较大所致。
• s12在大部分任务上都超过了s0，也是多轮法律咨询中表现最好的模型

从实验结果来看，很多地方还是靠经验和猜测得出结论，有没有效果还是得看炼丹的感觉。目前能找到的论文或报告，对数据和任务混合的一些细节还是涉及得较少。但个人认为这也不是壁垒，模型效果的可解释和可复现，才是真正值得深入挖掘的地方，是大模型持续发展的基石。

Lawyer LLaMA训练中文垂类模型的思路很符合直觉，在预训练和SFT阶段都加入了垂类数据，最后还使用检索模块增加回复的可靠性。从结果来看，验证了上述方案微调垂类模型的可行性。

不过有一个问题，对垂类数据的构造是使用ChatGPT完成的，是不是说明ChatGPT已经很好地完成了通用+垂类任务？当然，ChatGPT的规模更大，Lawyer LLaMA相当于它在中文法律领域蒸馏的一个垂类模型。