快速开始

1. 准备代码，创建环境

   # 下载代码
   git clone git@github.com:pengxiao-song/LaWGPT.git
   cd LaWGPT
   
   # 创建环境
   conda create -n lawgpt python=3.10 -y
   conda activate lawgpt
   pip install -r requirements.txt

2. 启动 web ui（可选，易于调节参数）

   
   

3. 

• 首先，执行服务启动脚本：bash scripts/webui.sh

• 其次，访问 http://127.0.0.1:7860 ：

4. 命令行推理（可选，支持批量测试）

• 首先，参考 resources/example_infer_data.json 文件内容构造测试样本集；

• 其次，执行推理脚本：bash scripts/infer.sh。其中 --infer_data_path 参数为测试样本集路径，如果为空或者路径出错，则以交互模式运行。

注意，以上步骤的默认模型为 LaWGPT-7B-alpha ，如果您想使用 LaWGPT-7B-beta1.0 模型：

• 由于 LLaMA 和 Chinese-LLaMA 均未开源模型权重。根据相应开源许可，本项目只能发布 LoRA 权重，无法发布完整的模型权重，请各位谅解。

• 本项目给出合并方式，请各位获取原版权重后自行重构模型。

项目结构

LaWGPT
├── assets    # 静态资源
├── resources # 项目资源
├── models    # 基座模型及 lora 权重
│   ├── base_models
│   └── lora_weights
├── outputs   # 指令微调的输出权重
├── data      # 实验数据
├── scripts   # 脚本目录
│   ├── finetune.sh # 指令微调脚本
│   └── webui.sh    # 启动服务脚本
├── templates # prompt 模板
├── tools     # 工具包
├── utils
├── train_clm.py  # 二次训练
├── finetune.py   # 指令微调
├── webui.py      # 启动服务
├── README.md
└── requirements.txt

数据构建

本项目基于中文裁判文书网公开法律文书数据、司法考试数据等数据集展开，详情参考中文法律数据源汇总（Awesome Chinese Legal Resources）。

1. 初级数据生成：根据 Stanford_alpaca和 self-instruct方式生成对话问答数据

2. 知识引导的数据生成：通过 Knowledge-based Self-Instruct 方式基于中文法律结构化知识生成数据。

3. 引入 ChatGPT 清洗数据，辅助构造高质量数据集。

模型训练

LawGPT 系列模型的训练过程分为两个阶段：

1. 第一阶段：扩充法律领域词表，在大规模法律文书及法典数据上预训练 Chinese-LLaMA

2. 第二阶段：构造法律领域对话问答数据集，在预训练模型基础上指令精调

二次训练流程

1. 参考 resources/example_instruction_train.json 构造二次训练数据集

2. 运行 scripts/train_clm.sh

指令精调步骤

1. 参考 resources/example_instruction_tune.json 构造指令微调数据集

2. 运行 scripts/finetune.sh

计算资源

8 张 Tesla V100-SXM2-32GB ：二次训练阶段耗时约 24h / epoch，微调阶段耗时约 12h / epoch

上篇： 零一万物Yi-34B-Chat 微调模型及量化版开源
下篇： Apache SeaTunnel 及 Web 功能部署指南