LegalMidm: Use-Case-Driven Legal Domain Specialization for Korean Large Language Model

📄 arXiv: 2604.25297v1 📥 PDF

作者: Youngjoon Jang, Chanhee Park, Hyeonseok Moon, Young-kyoung Ham, Jiwon Moon, Jinhyeon Kim, JuKyung Jung, Heuiseok Lim

分类: cs.CL, cs.AI

发布日期: 2026-04-28

备注: ICLR 2026 DATA-FM Workshop

💡 一句话要点

LegalMidm：针对韩国法律领域，以用例驱动的大语言模型专业化

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 法律领域 大语言模型 韩国法律 用例驱动 领域专业化

📋 核心要点

  1. 现有领域专业LLM训练数据集和协议与实际应用需求不符，限制了法律领域应用的实用性。
  2. 提出LegalMidm，一个韩国法律领域LLM，并构建高质量、用例驱动的数据集和优化训练流程。
  3. 强调与法律专业人士合作和严格数据管理，确保相关性和事实准确性，并在关键法律任务中有效。

📝 摘要（中文）

近年来，开源大语言模型（LLM）的迅速普及推动了将通用模型转变为领域专家的努力。然而，许多领域专业化的LLM的开发使用了与实际应用细微需求不符的数据集和训练协议。在精确性和可靠性至关重要的法律领域，这种考虑不足限制了实际效用。本研究提出了一种基于韩国法律，以法律领域的实际需求为基础的系统训练框架。我们介绍了韩国法律领域LLM LegalMidm，并提出了一种构建高质量、用例驱动的法律数据集和优化训练流程的方法。我们的方法强调与法律专业人士的合作以及严格的数据管理，以确保相关性和事实准确性，并证明了其在关键法律任务中的有效性。

🔬 方法详解

问题定义：现有的大语言模型在法律领域的应用面临挑战，因为通用模型缺乏对特定法律体系（如韩国法律）的深入理解。此外，现有的领域专业化模型通常使用与实际应用场景不符的数据集和训练方法，导致模型在实际法律任务中的表现不佳。痛点在于缺乏高质量、用例驱动的法律数据集，以及针对特定法律体系优化的训练流程。

核心思路：LegalMidm的核心思路是构建一个以实际法律用例为驱动的训练框架，通过与法律专业人士的紧密合作，收集和整理高质量的法律数据，并设计针对韩国法律特点的训练流程。这种方法旨在弥合通用LLM与实际法律应用之间的差距，提高模型在法律任务中的准确性和可靠性。

技术框架：LegalMidm的训练框架主要包括以下几个阶段：1) 数据收集与清洗：与法律专业人士合作，收集韩国法律相关的文本数据，包括法律条文、判例、法律咨询记录等。对数据进行清洗和标注，确保数据的质量和准确性。2) 用例驱动的数据集构建：根据实际法律应用场景，构建用例驱动的数据集，例如法律问答、案例分析、法律文件生成等。3) 模型训练：使用预训练的LLM作为基础模型，然后使用构建的法律数据集进行微调。4) 模型评估：使用一系列法律任务对模型进行评估，包括法律问答、案例分析、法律文件生成等。

关键创新：LegalMidm的关键创新在于其用例驱动的数据集构建方法和与法律专业人士的紧密合作。传统的领域专业化模型通常使用通用的数据集或自动生成的数据集，而LegalMidm则强调根据实际法律应用场景构建数据集，并与法律专业人士合作进行数据标注和验证，从而确保数据的相关性和准确性。

关键设计：具体的技术细节包括：1) 数据增强：使用数据增强技术，例如同义词替换、句子重述等，来增加数据集的多样性。2) 对比学习：使用对比学习方法，训练模型区分相似但含义不同的法律概念。3) 损失函数：使用交叉熵损失函数和对比损失函数，来优化模型的训练。4) 模型结构：基于Transformer架构，并根据法律领域的特点进行调整，例如增加对长文本的处理能力。

📊 实验亮点

论文重点在于构建了高质量的韩国法律数据集，并基于此训练了LegalMidm模型。虽然摘要中没有给出具体的性能数据，但强调了该模型在关键法律任务中的有效性，并通过与法律专业人士的合作，确保了模型的实用性和准确性。未来的工作可以进一步量化模型的性能提升，并与其他基线模型进行比较。

🎯 应用场景

LegalMidm可应用于多个法律领域，例如智能法律咨询、法律文件自动生成、案例分析辅助等。它可以帮助律师和法律从业人员提高工作效率，降低成本，并为公众提供更便捷的法律服务。未来，LegalMidm有望成为法律领域的重要工具，推动法律行业的智能化转型。

📄 摘要（原文）

In recent years, the rapid proliferation of open-source large language models (LLMs) has spurred efforts to turn general-purpose models into domain specialists. However, many domain-specialized LLMs are developed using datasets and training protocols that are not aligned with the nuanced requirements of real-world applications. In the legal domain, where precision and reliability are essential, this lack of consideration limits practical utility. In this study, we propose a systematic training framework grounded in the practical needs of the legal domain, with a focus on Korean law. We introduce LegalMidm, a Korean legal-domain LLM, and present a methodology for constructing high-quality, use-case-driven legal datasets and optimized training pipelines. Our approach emphasizes collaboration with legal professionals and rigorous data curation to ensure relevance and factual accuracy, and demonstrates effectiveness in key legal tasks.