大模型统计

-------------------------------------------------------------------------------

iCourt（AlphaGPT/Alpha 系统）的模型训练、推理、RAG 使用的数据，以法律领域结构化 / 非结构化权威数据为核心，以下按三类场景整理：

 

---

 

一、模型训练使用数据（Token 级语料）

 

iCourt 模型（AlphaGPT）训练以海量法律文本 Token 化语料为基础，覆盖裁判文书、法规、司法观点、实务文档等，用于预训练与领域微调。

 

1. 核心训练数据类型（Token 化语料）

 

• 裁判文书语料：1.94 亿 + 份裁判文书（民事 / 刑事 / 行政 / 执行等全案由），Token 化后用于学习裁判逻辑、法律适用、事实认定。
• 法律法规语料：580 万 + 条（法律 / 行政法规 / 部门规章 / 司法解释 / 地方性法规 / 行业规范），Token 化用于法条理解、效力层级、适用边界学习。
• 司法观点与实务语料：
  • 司法观点库（最高法法官著述、会议纪要解读、裁判规则）
  • 类案同判库（相似案例聚类、裁判要点、争议焦点）
  • 优案评析库（典型案例深度剖析、实务经验）
   
• 企业与商事数据：2.8 亿 + 企业主体库（工商信息、股权、涉诉、风险关联），Token 化用于商事法律场景训练。
• 法律实务文档：合同模板、法律意见书、起诉状 / 答辩状、证据清单、庭审笔录等实务文本，Token 化用于文书生成、审查场景训练。

 

2. 训练数据 Token 化处理

 

• 文本清洗：去重、脱敏（隐名 / 删隐私 / 商业秘密）、格式标准化。
• 分词与 Token 化：按法律文本特点分词，生成模型可处理的 Token 序列。
• 标注与结构化：对裁判要点、法条条款、争议焦点、裁判结果等做弱监督 / 半监督标注，提升训练效果。

 

---

 

二、推理使用数据项（推理输入 / 输出数据项）

 

推理阶段以结构化法律数据项为输入 / 输出，用于案件分析、类案检索、合同审查、法律问答等场景。

 

1. 推理输入数据项

 

• 案件要素项：案由、当事人信息、诉讼请求、事实理由、证据清单、争议焦点、管辖法院、审理程序。
• 法律检索项：法条编号、关键词、案例案号、裁判法院、裁判日期、裁判要点。
• 合同审查项：合同类型、合同主体、核心条款（付款 / 违约 / 管辖 / 保密 / 知识产权）、风险点、审查标准。
• 企业风险项：企业名称 / 统一社会信用代码、涉诉记录、行政处罚、股权质押、失信信息。

 

2. 推理输出数据项

 

• 类案检索结果：相似案例列表、案号、裁判法院、裁判日期、裁判要点、争议焦点、裁判结果、相似度评分。
• 法律分析结论：法律适用依据、裁判规则、风险点、胜诉概率、质证 / 答辩要点。
• 合同审查报告：风险条款标注、修改建议、合规提示、风险等级。
• 文书生成内容：起诉状 / 答辩状 / 代理词 / 法律意见书 / 合同草案（结构化段落 + 条款）。
• 企业风险报告：涉诉统计、风险预警、关联主体风险、合规建议。

 

---

 

三、RAG 使用数据类（检索增强生成知识库）

 

RAG 以法律领域向量知识库为核心，用于实时检索、补充模型上下文、降低幻觉、提升回答准确性。

 

1. RAG 核心数据类（向量库 / 文档库）

 

• 裁判文书向量库：1.94 亿 + 裁判文书切块向量化，支持按案由、法院、裁判要点、争议焦点检索。
• 法律法规向量库：580 万 + 法条向量化，支持按法条编号、关键词、效力层级、适用场景检索。
• 司法观点向量库：最高法会议纪要、法官著述、裁判规则向量化，用于检索权威裁判思路。
• 类案同判向量库：相似案例聚类向量化，支持按争议焦点、裁判规则检索类案。
• 实务文档向量库：合同模板、法律意见书、优案评析、庭审指南等向量化，用于文书生成与审查。
• 企业主体向量库：2.8 亿 + 企业工商 / 涉诉 / 风险信息向量化，支持企业风险检索与关联分析。

 

2. RAG 数据处理与使用流程

 

1. 数据切块：将长文本（裁判文书 / 法条 / 实务文档）按语义切块（512/1024 Token）。
2. 向量化：用法律领域专用 Embedding 模型生成向量，存入向量数据库（如 Milvus/Chroma）。
3. 检索增强：用户提问→向量检索→召回 Top-K 相关文档→拼接为 Prompt→模型生成带引用的回答。
4. 数据更新：每日超 10 万条数据更新（新裁判文书 / 新法规 / 新司法观点），同步更新向量库。

 

---

 

四、三类数据对比表

 

表格

 

场景	数据形态	核心数据类型	处理方式	核心用途
模型训练	Token 化语料	裁判文书、法规、司法观点、实务文档	清洗、分词、Token 化、标注	预训练 / 微调，学习法律知识与逻辑
推理使用	结构化数据项	案件要素、检索项、合同项、风险项	结构化输入 / 输出、模型推理	案件分析、类案检索、合同审查、问答
RAG 使用	向量化文档块	裁判文书、法规、司法观点、实务文档	切块、向量化、向量检索	实时检索、增强上下文、降低幻觉

-------------------------------------------------------------------------------

 

-------------------------------------------------------------------------------

 

-------------------------------------------------------------------------------

 

-------------------------------------------------------------------------------

 

 

大模型统计表填写标准（可直接用）

 

1. 模型训练使用数据（Token）

 

• 含义：训练大模型时消耗的总 token 数量（1 token ≈ 0.7 个汉字）
• 填写格式：
  • 通用大模型：万亿级，例：1.2万亿 Token
  • 行业 / 垂直小模型：百亿～千亿级，例：300亿 Token
  • 无自研训练：填 0 或 不涉及
   

 

---

 

2. 推理使用数据（项）

 

• 含义：用户提问 + 模型回答 产生的交互数据量，按条目 / 会话统计
• 填写格式：
  • 按规模：日均XX万项 / 累计XX万项
  • 示例：
    • 日均10万项
    • 累计500万项
    • 无对外服务：0 或 不涉及
     
   

 

---

 

3. RAG 使用数据（类）

 

• 含义：RAG 检索的知识库分类 / 文档类型
• 填写格式：
  • 按类型：政策类、合同类、制度类、案例类、产品文档类 等
  • 示例：
    • 制度类、合同类、案例类、法规类
    • 未使用 RAG：不涉及
     
   

 

---

 

给你一套标准可直接上报的完整示例（通用合规版）

 

• 模型训练使用数据 (Token)：320 亿 Token
• 推理使用数据 (项)：日均 5 万项
• RAG 使用数据 (类)：制度类、合同类、案例类、知识文档类