Deepseek与法律专业大模型深度拆解——基于案例检索总结应用场景

在实务中，法律人都“躲”不过的另一个重要的工作场景，就是：

“ 类案检索总结 ”

类案检索的终端需求，是完成一份类案检索报告。律师、法务等实务人士往往需要根据以一定检索目标为依据所收集到的类案信息，去合理预判待决案件可能的走向以及后续诉讼策略的敲定，而类案检索报告则是这些信息汇总的载体。

然而，从检索类案着手，用户可能需要面临阅读冗长的案例、寻找事实和争议焦点之间的相似性等中间流程，最终经过层层分析，才能输出一份优良的类案检索报告。

在大模型的时代，通过模型总结和生成的能力，用户可以通过大模型针对类案生成检索总结，从而快速提升案件阅读速度、待选类案的确认和裁判观点的归纳。

“ DeepSeek ” 与 “ 得理法律大模型 ”

基于以上场景，我们尝试先让两个AI生成一份有关生产、销售有毒、有害食品罪的刑事领域类案检索总结，看看两个模型是否可以胜任这一场景。

同时，根据律师、法务制作类案检索报告的任务特性，我们也厘定了一些评判准则：

• 文本提取的准确性：模型分析/推理个案的核心事实、争议焦点和法律适用部分，需与用户所上传现实世界数据保持一定的对齐度，避免遗漏某一（些）对于法官自由心证影响较大的要点，从而使得相关结果的可参考性有所降低。

• 结果归纳的准确性和合理性：模型能够基于类案信息，归纳、比较和分析裁判结果和理由的异同。所涉结论需基于用户所提供的类案，不出现幻觉。

• 个性化指令的跟随性：实务人士如果想要的并非是流于形式的案件堆砌，而是一次真正有参考意义的类案检索输出，则还需要关注个案之间基本事实是否实质性相似，要件涵摄过程是否类似，以及案件所使用的法律规范是否已经过时等注意事项。因此，用户输入个性化的上下文，是否都能激活对应的注意力单元，从而被模型成功捕捉并对输出进行约束，亦为一个考察方向。

要说明的是，以小理AI为例，少数法律专业垂类大模型本身已接通自有案例数据库，并配置了“AI案例检索总结”等功能，因此类案总结工作流很多时候不需要太“循规蹈矩”。案例检索跟总结生成融合在一个工作流中，双功能的便利性不言而喻。

但为便于对比，我们不妨先把两种模型“拉”回同一起跑线上：由于两个模型都支持“基于文档分析的生成”，因此我们以上传类案文档的方式进行测试，案例来源为中国裁判文书网，数量为4个。第一轮，我们仅单纯考察【总结】的能力，因此我们使用了较为简短的，直接与争议焦点相关的语句作为Query：

问题1：在动物饲料中添加克伦特罗，并在宰杀后的肉类中检测出超量的克伦特罗残留，应当定什么罪？如适用不同罪名，理由是什么？

先看Deepseek的结果：

左右滑动查看完整回答

左右滑动查看完整回答

左右滑动查看完整回答