|
--- |
|
license: bigscience-bloom-rail-1.0 |
|
datasets: |
|
- jslin09/Fraud_Case_Verdicts |
|
language: |
|
- zh |
|
metrics: |
|
- accuracy |
|
pipeline_tag: text-generation |
|
text-generation: |
|
parameters: |
|
max_length: 400 |
|
do_sample: true |
|
temperature: 0.75 |
|
top_k: 50 |
|
top_p: 0.9 |
|
tags: |
|
- legal |
|
widget: |
|
- text: 王大明意圖為自己不法所有，基於竊盜之犯意， |
|
example_title: 生成竊盜罪之犯罪事實 |
|
- text: 騙人布意圖為自己不法所有，基於詐欺取財之犯意， |
|
example_title: 生成詐欺罪之犯罪事實 |
|
- text: 梅友乾明知其無資力支付酒店消費，亦無付款意願，竟意圖為自己不法之所有， |
|
example_title: 生成吃霸王餐之詐欺犯罪事實 |
|
- text: 闕很大明知金融帳戶之存摺、提款卡及密碼係供自己使用之重要理財工具， |
|
example_title: 生成賣帳戶幫助詐欺犯罪事實 |
|
- text: 趙甲王基於行使偽造特種文書及詐欺取財之犯意， |
|
example_title: 偽造特種文書(契約、車牌等)詐財 |
|
--- |
|
|
|
# 判決書「犯罪事實」欄草稿自動生成 |
|
本模型是以司法院公開之「詐欺」案件判決書做成之資料集，基於 [BLOOM 560m](https://huggingface.co/bigscience/bloomz-560m) 模型進行微調訓練，可以自動生成詐欺及竊盜案件之犯罪事實段落之草稿。資料集之資料範圍從100年1月1日至110年12月31日，所蒐集到的原始資料共有 74823 篇（判決以及裁定），我們只取判決書的「犯罪事實」欄位內容，並把這原始的資料分成三份，用於訓練的資料集有59858篇，約佔原始資料的80%，剩下的20%，則是各分配10%給驗證集（7482篇），10%給測試集（7483篇）。在本網頁進行測試時，請在模型載入完畢並生成第一小句後，持續按下Compute按鈕，就能持續生成文字。或是輸入自己想要測試的資料到文字框中進行測試。或是可以到[這裡](https://huggingface.co/spaces/jslin09/legal_document_drafting)有更完整的使用體驗。 |
|
|
|
# 使用範例 |
|
如果要在自己的程式中調用本模型，可以參考下列的 Python 程式碼，藉由呼叫 API 的方式來生成刑事判決書「犯罪事實」欄的內容。 |
|
<details> |
|
<summary> 點擊後展開 </summary> |
|
<pre> |
|
<code> |
|
import requests, json |
|
from time import sleep |
|
from tqdm.auto import tqdm, trange |
|
|
|
API_URL = "https://api-inference.huggingface.co/models/jslin09/bloom-560m-finetuned-fraud" |
|
API_TOKEN = 'XXXXXXXXXXXXXXX' # 調用模型的 API token |
|
headers = {"Authorization": f"Bearer {API_TOKEN}"} |
|
|
|
def query(payload): |
|
response = requests.post(API_URL, headers=headers, json=payload) |
|
return json.loads(response.content.decode("utf-8")) |
|
|
|
prompt = "森上梅前明知其無資力支付酒店消費，亦無付款意願，竟意圖為自己不法之所有，" |
|
query_dict = { |
|
"inputs": prompt, |
|
} |
|
text_len = 300 |
|
t = trange(text_len, desc= '生成例稿', leave=True) |
|
for i in t: |
|
response = query(query_dict) |
|
try: |
|
response_text = response[0]['generated_text'] |
|
query_dict["inputs"] = response_text |
|
t.set_description(f"{i}: {response[0]['generated_text']}") |
|
t.refresh() |
|
except KeyError: |
|
sleep(30) # 如果伺服器太忙無回應，等30秒後再試。 |
|
pass |
|
print(response[0]['generated_text']) |
|
</code> |
|
</pre> |
|
</details> |
|
|
|
或是，你要使用 transformers 套件來實作你的程式，將本模型下載至你本地端的電腦中執行，可以參考下列程式碼: |
|
<details> |
|
<summary> 點擊後展開 </summary> |
|
<pre> |
|
<code> |
|
from transformers import AutoTokenizer, AutoModelForCausalLM |
|
|
|
tokenizer = AutoTokenizer.from_pretrained("jslin09/bloom-560m-finetuned-fraud") |
|
model = AutoModelForCausalLM.from_pretrained("jslin09/bloom-560m-finetuned-fraud") |
|
</code> |
|
</pre> |
|
</details> |
|
|
|
# 本模型進行各項指標進行評估的結果如下 [Open LLM Leaderboard Evaluation Results](https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard) |
|
詳細的結果在 [這裡](https://huggingface.co/datasets/open-llm-leaderboard/details_jslin09__bloom-560m-finetuned-fraud)。 |
|
本模型只使用範圍相當小的資料集進行微調，就任務目標來說，已經是完美解決，但就廣泛的通用性來說，其實是不完美的。總的來說，如果應用場景是需要把模型建置在本地端、不能連到外部網路、提示字資料也不能外送的情境下，本模型的建置過程及結果提供了一個可行性的示範。 |
|
|
|
| Metric | Value | |
|
|-----------------------|---------------------------| |
|
| Avg. | 18.37 | |
|
| ARC (25-shot) | 26.96 | |
|
| HellaSwag (10-shot) | 28.87 | |
|
| MMLU (5-shot) | 24.03 | |
|
| TruthfulQA (0-shot) | 0.0 | |
|
| Winogrande (5-shot) | 48.38 | |
|
| GSM8K (5-shot) | 0.0 | |
|
| DROP (3-shot) | 0.33 | |
