LawLLM：面向美国法律体系的法律大型语言模型

在法律分析领域快速发展的背景下，寻找相关案例并准确预测司法结果具有挑战性，这些挑战源于法律语言的复杂性，包括专业术语、复杂句法以及历史背景。此外，类似案例与前例案件之间的细微差别需要深入的法律知识才能加以区分。研究人员常常混淆这些概念，导致难以开发有效应对这些细粒度任务的专用技术。在本文中，我们引入法律大型语言模型（LawLLM），一个专为美国法律领域设计的多任务模型，以解决上述挑战。LawLLM在相似案例检索（SCR）、前例案件推荐（PCR）和法律判决预测（LJP）方面表现出色。通过明确区分前例案件与相似案件，我们提供了必要的清晰度，指导未来在这些任务上开发专用策略。我们为每个任务提出了自定义的数据预处理技术，将原始法律数据转换为可训练格式。此外，我们还使用如基于情境学习（ICL）和高级信息检索方法于LawLLM。评估结果表明，LawLLM在零样本和few-shot情景中均 consistently 优于现有基线，展现了无与伦比的多任务能力，填补了法律领域的关键空白。