OpenAI o1风格的推理大模型，有行业垂直版了。

HK-O1aw，是由香港生成式人工智能研发中心(HKGAI)旗下AI for Reasoning团队(HKAIR) 联合北京大学对齐团队（PKU-Alignment Team）推出的全球首个慢思考范式法律推理大模型。

HK-O1aw的推理能力，在多个法律场景的测试中得到证明。该模型在合同法、消费者权益保护法等多个法律领域中均展现出色的表现，并能灵活适应各类法律咨询场景。

以下是HK-O1aw模型用户体验演示：

提问1:拿衣服去干洗后，干洗店弄坏了衣服，根据香港法例，可否向店铺索偿？应该以什么渠道索价？

在个案咨询场景中，针对“干洗店洗坏衣服”的情形，用户咨询HK-O1aw如何利用香港法例进行消费者维权。HK-O1aw通过“分析香港法律条例——分析索偿途径——小额钱债审裁处的适用性——民事法庭的诉讼程序”完整的逻辑链条进行思考。最终提供用户答案：可以进行索赔，首先建议直接联系店铺索赔，若无果则向消费者委员会投诉，或通过法律途径解决。

提问2:商业为什么需要调解和仲裁？

在法律知识解答场景中，针对用户提出“商业为什么需要调解和仲裁”，HK-O1aw的推理能力帮助它把问题进行拆分，按商业调解和商业仲裁的定义和功能、调解和仲裁各自的优点、适用性验证的思路进行深度思考，并给出最终答案。

推理能力的实现，进一步保障了大模型在法律场景下法律条例引用、事实判断、决策意见的准确性，分析角度的完备性，让大模型在法律服务中更加专业可靠。

像这样，一直以来都是耗时耗力且成本高昂法律纠纷处理，如今可以慢慢交给法律推理大模型来干了。

一、深度推理：HK-O1aw法律大模型的核心竞争力

早期市场上的法律大模型在深度推理能力上有所欠缺。

早期的法律大模型即便能够提供丰富的法律知识，但面对现实社会中的复杂法律纠纷，它们往往在关键逻辑上出现疏漏，最终难以解决法律场景下的实际问题。

HK-O1aw通过采用O1风格的数据集和训练设置，实现法律模型深度推理能力的跃升，这使得法律大模型能够深入分析复杂的法律文本和案例，提供逻辑缜密的法律意见，满足行业对深度分析和复杂问题解决的迫切需求。

O1风格是什么？

它指的是一种类似于OpenAI o1模型的长考能力，它侧重于慢思考（slow thinking）和链式推理（Chain of Thought, CoT）。在法律领域，O1风格专注于深入分析和推理，以应对法律文本和案例的复杂性。这种风格的模型技术难点主要体现在以下几个方面：

• 复杂性处理：法律文本常包含专业术语和复杂的逻辑结构，O1风格的模型必须能够进行深入的思考和推理。
• 长链推理：为了在复杂案件中进行全面分析和判断，O1风格的模型必须能够支持更长的推理链条。
• 准确性和可靠性：O1风格的模型必须确保模型在推理过程中的一致性和可靠性，以避免错误判断。
• 可解释性：O1风格的模型需要提供可解释的模型输出，以便法律专业人士理解和信任模型的结论。

想要训练出逻辑超强的模型，丰富并且高质量的数据集必不可少。

依托于经过严格清洗和预处理的法律材料，HKAIR团队为HK-O1aw构建了15959个包含“问题-思考-答案”的三元组，全部以简体中文呈现，并以结构化的JSON格式存储，并在Hugging Face平台上开源（详见文末链接）。这种设计旨在模拟法律专业人士的思考过程，增强法律大模型的深入分析能力。

数据集中的问题类型广泛，涵盖案例分析、法律应用和法律概念解释等多个方面，难度级别为中级到高级，对于法律专业人士和法学院学生来说具有挑战性。

二、HKGAI团队介绍

HKAIR Lab隶属于香港生成式人工智能研发中心（HKGAI）。HKAIR Lab 由香港科技大学首席副校长郭毅可教授和跨学科学院韩斯睿助理教授指导，成员主要由香港科技大学跨学科学院的博士研究生和研究员团队组成。HKAIR Lab 与北大对齐团队在 HK-O1aw 和“慢思考”范式下，就生成式人工智能如何赋能法律应用场景展开了合作。

为了把握未来机遇并应对挑战，HKAIR研究团队将持续对HK-O1aw进行优化。计划中包括引入法律领域专家参与模型的训练与评估，这将促进模型对法律概念的深入理解，提升其推理能力，并拓宽模型在多样化法律场景中的应用范围。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】