三句半，回答一些法律AI基础及落地问题 | 法观

正文

请到「今天看啥」查看全文

并且，在法律概念理解到位、法律知识足够且准确的前提下，大模型完全可以脱离历史真题（不作弊）地完成这一任务。

但注意这种考法通过依赖训练数据覆盖度和提示工程，而非真正理解法律原则，且无法处理实务中动态证据或道德判断。

1.4 大模型幻觉问题到底能否 “ 根治 ” ？

目前无法根治、只能减弱：

大模型的语言能力基于大量的 通识 文本训练，不可能只用有效的法律知识训练模型、也不可能保证有精准的知识刚好直接回答接收的问题，因此 无法杜绝 大模型产出有效法律、真实事件之外的内容。

幻觉问题只能减弱、缓解，手段包括但不限于持续优化数据质量、引入事实核查机制、改进架构、增强检索等人为干预及技术改进。

为此，针对大模型输出的内容， 尤其是关于实质权益的法律问题，一定要借助专业力量审慎对待 。

1.5 垂类纯文字领域，国内外模型能力的差异？

“合适”更重要：

总体差距在缩小，但核心技术如算力和算法原创性仍存挑战。

落到如法律垂类模型，训练内容 是否已经包含了 足够丰富的、准确的本法域法律语料及知识，直接决定了其响应相应法域需求的效率高低，也即“是否合适”。

一般而言，国内模型相比之下会更适配中文语境和本地合规要求，在数据多样性、文化适配和监管框架，国内模型处理国内任务大概率更优。

02

应用场景

2.1 大模型在法律行业的应用场景？

皆有可能：

大模型可用于法律研究自动化、快速检索案例和法规、法律分析、合同审查、文书生成、客户咨询初步响应……

一切涉及法律专业内容输出的场合，原则上都是大模型可以涉足的场景。

因此，不同的法律从业人士都可以从自身频繁参与的场景中，发掘大模型的应用可能。

2.2 能否以及如何构建基础工作自动化 “ 人机协作 ” ？

可以，且应该是目标：

大模型已经频频证明了其处理基础的、有先例的、机械化的任务的能力。

因此，“AI处理基础任务、人类聚焦高阶决策”不仅是可以做到的，更加是垂类专业模型产品的发展目标 。

实现方式包括集成 API 工具链，确保 AI 输出可编辑和验证；配置智能体、设计工作流分阶段分模块协作；培训人员使用界面和设置反馈机制，以平衡效率与质量控制，等等。

03

实务操作

请到「今天看啥」查看全文