企业官网建设流程全解析

法律大模型怎么选？三款开源中文法律 AI 的选型与部署实战

【免费下载链接】Awesome-Chinese-LLM整理开源的中文大语言模型，以规模较小、可私有化部署、训练成本较低的模型为主，包括底座模型，垂直领域微调及应用，数据集与教程等。项目地址: https://gitcode.com/GitHub_Trending/aw/Awesome-Chinese-LLM

Awesome-Chinese-LLM 是一个开源中文法律大模型资源仓库，把獬豸、LaWGPT、ChatLaw 等一批法律 LLM 的基座、训练数据和部署方式整理在一处。本文面向不想支付高咨询费、只想自己跑通中文法律 AI 的普通用户，直接给选型结论和最小部署方案。

按场景选法律大模型，而不是按参数选

选法律大模型先看你要干什么，再看模型多大。下面三个最常见的场景，各给一个取舍最清晰的候选，事实依据均来自仓库 doc/Legal.md：

补充两点取舍逻辑：

• 先量化，再谈精度。日常咨询先用 6B 级模型配 4bit 量化验证场景，跑通后再决定是否升级到 13B。
• 词表决定识别能力。合同里大量专业术语，LaWGPT 这类做过词表扩充的模型，比只微调对话层的模型更不容易"读不懂条款"。

法律大模型部署：最小可跑通清单

部署不需要多步展开，四步即可跑通：

1. 拿到资源仓库：git clone https://gitcode.com/GitHub_Trending/aw/Awesome-Chinese-LLM
2. 打开 doc/Legal.md，按上面的场景表锁定一个主模型，一个备选模型即可。
3. 下载对应模型权重，在单卡 GPU 上以 4bit 量化加载。
4. 用一两个真实问题验证输出，再决定是否接入文档解析和法条检索模块。

硬件要求参考：

• 6B 级（量化后）：8GB 显存一张卡可跑
• 7B 级（量化后）：建议 8GB～12GB
• 13B 级（量化后）：建议 16GB 及以上
• 无独显时 CPU 可推理，速度慢，只适合低频查询

从能用到用好：法律 AI 的提问与使用红线

建议：

• 提问带上事实要素：身份、时间、金额、地区加一个明确诉求，例如"我在杭州租房，押一付三，退租时房东扣押金，怎么主张权利"，而不是"租房纠纷怎么办"。
• 拆步骤问：先问适用哪条法条，再问我的情况如何认定，最后问下一步该做什么，比一次问完更稳。
• 要求模型给出法条编号和原文，方便你逐条溯源；给不出依据的回答直接降权处理。

不建议：

• 不建议把输出当最终意见直接使用。它适合初筛和打草稿，不能替代律师意见，也不宜直接作为对外文书。
• 不建议照单全收引用。模型可能张冠李戴甚至编造条文，所有法条都要到官方法律法规数据库逐条核实。
• 不建议跨地区套用结论。同一问题在不同省市的执行口径可能不同，涉及诉讼期限、仲裁约定时按当地规定核对。

法律大模型的分层原理：为什么"检索增强"很关键

法律大模型通常是三层结构：底层是通用预训练语言模型，负责语言和基础推理；中间层用法律语料做持续预训练与指令微调，注入法条、裁判文书等专业知识；顶层用检索增强（RAG），把你的问题和法条库、案例库做相似度匹配，把命中的条文拼进提示词再生成回答。好处是答案能指向具体条文、便于核实，法规更新时替换检索库即可，不必重训模型。这一层也是判断一个法律模型"敢不敢引用法条"的关键。

结语

资源仓库负责帮你选模型、跑通最小部署，效果上限取决于提问方式和核实习惯。各模型的基座、数据与许可细节见 doc/Legal.md，部署中遇到问题可以直接在仓库提 Issue 找社区。

【免费下载链接】Awesome-Chinese-LLM整理开源的中文大语言模型，以规模较小、可私有化部署、训练成本较低的模型为主，包括底座模型，垂直领域微调及应用，数据集与教程等。项目地址: https://gitcode.com/GitHub_Trending/aw/Awesome-Chinese-LLM