Olaverse Legal：面向法律场景的开源大模型家族与专业训练方法论

Olaverse Legal 是一系列面向法律领域的开源大语言模型，基于 Mistral 架构通过法律案例数据集进行 SFT 和 DPO 训练，在合同分析、证据评估、法律推理等任务上展现出专业级能力。

模型家族规划了从轻量级到企业级的完整矩阵：已发布的 Peace-7B（7B规模，适用于通用法律任务）、即将发布的 Nkem-34B（复杂法律推理）和 Moyin-72B（企业级自动化）。项目采用 Apache License 2.0 开源许可，允许商业使用、修改与分发。

法律领域对 AI 有特殊要求：需理解复杂法律文本、引用判例、识别条款风险、进行逻辑推理。通用大语言模型在专业法律任务中往往缺乏准确性和可验证性。

Olaverse Legal 项目应运而生，目标是构建能真正理解法律语言、辅助律师工作的开源模型家族。

Olaverse Legal 采用统一版本策略，模型矩阵如下：

模型	规模	版本	状态	适用场景
Peace	7B	v1.0	已发布	通用法律任务，快速推理
Nkem	34B	v1.0	即将发布	复杂法律推理，高精度需求
Moyin	72B	v1.0	即将发布	企业级法律自动化，极致性能

已发布的 Peace-7B 基于 Mistral-7B-v0.3 架构，通过法律数据集微调，平衡体积与专业能力。

Peace 模型采用两阶段训练策略：

第一阶段：监督微调（SFT）

使用哈佛大学图书馆创新实验室的 Cold Cases 数据集（4800个真实案例，含案件名称、教学大纲、法官意见、判决结果），学习法律文本表达、论证结构与判决逻辑。

第二阶段：直接偏好优化（DPO）

基于 LegalBench 构建419对偏好样本，覆盖合同问答、传闻证据规则、商标分类等5个领域，提升输出专业性与准确性。

训练配置：序列长度2048 tokens，4-bit量化，LoRA秩（SFT阶段16，DPO阶段自适应），A100 GPU训练约17分钟，最终损失1.08。

Peace-7B 相比基座 Mistral-7B 性能提升：

任务	Mistral-7B 基线	Peace-7B v1.0	提升幅度
合同分析	14.24s	9.60s	32.6% 更快
证据分析	9.28s	9.57s	基本持平
法律推理	9.36s	9.55s	基本持平
商标分类	9.40s	9.55s	基本持平
案例分析	9.37s	8.06s	14.0% 更快
平均	10.33s	9.27s	10.3% 更快

输出质量改善：结构化专业回复、准确法律引用、清晰推理过程、跨任务一致质量。

合同分析

识别条款关键义务、风险点与法律影响（如解释特拉华州仲裁条款的含义）。

法律研究

回答法律问题、解释判例、提供法规解读，引用相关法律概念。

文档审查

审查合规性、缺失条款与潜在问题，适用于尽职调查、并购审查。

案件结果预测

基于事实与先例预测判决结果，辅助案件策略评估。

证据评估

判断证据可采性、相关性与证明力，辅助庭审准备。

局限性

• 可能生成看似合理但错误的法律信息
• 未针对特定司法管辖区训练
• 无法提供个性化法律建议
• 仅作为研究/分析工具使用

伦理准则

• 法律专业人士验证输出
• 不用于自动化法律决策
• 明确披露AI辅助
• 人类监督所有法律应用

开源许可

采用 Apache License 2.0，允许商业使用、修改、分发，需保留许可与版权声明，不提供担保。