大模型正深刻改变法律AI领域。这份首次系统性的综述，全面梳理了16个法律大模型、47种应用框架、15个评测基准与29个数据集。它不仅厘清了当前技术脉络，更深入剖析了数据构建、可解释性等核心挑战，并为多模态、轻量化等未来方向指明了道路，为研究者提供了清晰的入门指引与研发蓝图。
智能速览
法律领域已涌现出16个系列专用大模型，多数参数量在6B至13B之间。
基于大模型的框架被分为六类主要任务，如法律判决预测与问答。
研究系统汇总了15个评测基准与29个数据集，但算术与知识评估能力覆盖不足。
当前法律AI面临可解释性差、多模态处理能力弱及轻量化不足等挑战。
多语言支持与复杂场景建模被视为未来推动法律AI落地的关键。
精华内容
要理解大模型如何赋能法律AI，需从数据基础、模型方法到应用框架进行系统审视。以下将深入剖析该领域的核心构成与关键发现。
模型与数据基石
当前法律大模型系列已超过16个，主流参数量集中于6B至13B区间，并普遍采用LLaMA作为基础架构。这些模型的训练高度依赖法律案例文书等数据进行持续预训练，同时为避免通用能力退化，会融合通用语料。用于监督微调的数据则多由ChatGPT等模型合成，来源涵盖既有数据集、司法案例等。然而，现有的15个评测基准显示，模型能力评估侧重于分类任务，对算术运算与知识评估的覆盖则明显不足。
任务框架与应用
在应用层面，47种基于大模型的框架被归纳为六类核心法律任务。例如，在法律判决预测中，检索增强生成（RAG）与法律三段论提示等结构化推理方法被广泛采用，以提升预测准确性和可解释性。法律问答任务则通过融合外部知识库或优化领域适配来增强专业性。法律检索任务的主流是两阶段检索与重排序框架，显著提升了相关判例和条文的推荐效率。
核心挑战与瓶颈
尽管进展显著，但法律大模型的应用仍面临多重挑战。首要问题是可解释性不足，法律决策过程需要透明且可验证的依据，而当前模型难以满足。其次，现有研究多局限于文本，忽略了司法实践中常见的录音、视频等多模态证据。此外，许多模型为了简化而剔除了涉及多罪名或被告的复杂案例，导致其与现实司法场景脱节，限制了实际应用价值。
未来发展路径
针对当前挑战，未来的研究将聚焦于几个关键方向。一是开发参数量更小（如1.3B级别）的轻量化模型，以降低部署成本，促进规模化应用。二是构建多语言法律模型，以适应全球不同法系的需求。三是深化对复杂法律场景的建模能力，如处理多被告、多罪名的案件，使技术能真正服务于复杂的司法实践。同时，高质量法律数据集的合成与评估也将是重点。
大模型为法律AI带来了前所未有的机遇，从数据处理到任务执行均实现了效率提升。这份综述不仅是对过往工作的系统性总结，更是一份面向未来的研发路线图。随着可解释性、多模态等难题的逐步攻克，法律AI将更好地辅助司法实践，最终走向更智能、更可靠的未来。
