evalstone/evalscope/docs/zh/benchmarks/plawbench.md

PLawBench

概述

PLawBench 是一个基于评分标准（rubric）的基准测试，用于评估大语言模型在真实中文法律实务场景中的表现。 该基准模拟执业律师的工作流程，涵盖三个层级的任务：在公共法律咨询中梳理事实、通过结构化法律推理分析案件，以及起草专业法律文书。 每个样本均附有法律专家标注的评分标准，评分由 LLM 评判模型依据该标准进行，而非与单一参考答案比对。

任务描述

• 任务类型：基于专家评分标准的开放式中文法律生成任务
• 输入：客户陈述，或案件描述加法律问题
• 输出：问题清单、结构化案件分析，或完整的法律文书
• 领域：中文法律实务（个人事务、婚姻家庭、公司治理、知识产权、刑事与民事诉讼、跨境事务、劳动法、环境安全等）

核心特性

• 共 280 个样本，划分为四个子集，对应 PLawBench 的四项任务：
  • case_analysis（250 个）：案件分析，从四个维度评分——结论、案件事实、推理过程、引用法条。回答必须严格遵循【结论】/【案件事实】/【推理过程】/【法条依据】的结构。
  • legal_consultation（18 个）：模型扮演律师，需提出 10–25 个可验证的后续问题，以揭示客户遗漏或歪曲的事实。
  • plaintiff_statement（6 个）：根据客户陈述起草起诉状。
  • defendant_statement（6 个）：根据客户陈述及对方起诉状起草答辩状。
• 客户陈述故意设计得模糊、情绪化或具有误导性，因此模型必须识别陷阱，而非简单复述客户主张。
• 任务提示词和评判提示词均直接采用官方发布版本，case_analysis 子集的评分标准保留了各维度的原始分值分配。

评估说明

• 必须使用 LLM 评判模型：需设置 judge.strategy='llm'（或 'auto'，该选项会为此基准自动启用评判模型），并提供 judge.models。不支持 judge.strategy='rule'。
• 指标为 [0, 1] 区间内的得分比例。所有子集均报告 acc；case_analysis 额外报告 conclusion_acc、fact_acc、reasoning_acc 和 law_acc。这些指标与官方排行榜列一一对应：legal_consultation 对应 Task1，case_analysis 对应 Task2-Avg 及其四个维度，两个文书起草子集分别对应 Task3-Plaintiff 和 Task3-Defendant。
• 应比较各子集得分，而非 OVERALL 行。OVERALL 是按样本数量计算的平均值，因此被 case_analysis 主导（250/280）。论文中的 Overall 列是三项任务得分的等权重平均值，与官方公布表格更吻合（在官方排名的 24 个模型上拟合，平均绝对误差为 0.72，而样本加权平均的误差为 2.87）。
• 评分标准的总分来自数据集本身，而非评判模型输出，且实际得分会被限制在 [0, max_points] 范围内，因此即使评判模型错误报告分母，也不会扭曲最终分数。
• case_analysis 的评判输出模板已修复。官方脚本存在格式错误的 JSON，并将结论部分固定为零分；本实现中每个部分均按其评分标准独立打分。
• 评判模型的重试策略通过其 generation_config 配置。若回复仍不符合输出格式要求，则视为无效并排除，而非静默记为零分。
• 案件分析评判会返回详细的逐项分解结果。建议为评判模型设置较大的 max_tokens（例如 8192），配置于 judge.models[].generation_config。
• 文书起草子集要求生成 2,500–3,000 字符的法律文书，因此被评估模型也需要较大的 generation_config.max_tokens。若生成内容被截断，将被视为不完整文书，得分接近零，从而因非法律能力原因拉低 Task3 得分。

资源：GitHub | 数据集

属性

属性	值
基准测试名称	plawbench
数据集ID	evalscope/PLawBench
论文	Paper
标签	Chinese, Knowledge, QA, Reasoning
指标	accuracy, conclusion_acc, fact_acc, reasoning_acc, law_acc
默认示例数	0-shot
评估分割	test

数据统计

指标	值
总样本数	280
提示词长度（平均）	2669.88 字符
提示词长度（最小/最大）	1267 / 5890 字符

各子集统计信息：

子集	样本数	提示词平均长度	提示词最小长度	提示词最大长度
case_analysis	250	2720.18	2137	4873
legal_consultation	18	1851.94	1512	2611
plaintiff_statement	6	1494.67	1267	2050
defendant_statement	6	4203	2794	5890

样例示例

子集: case_analysis

{
  "input": [
    {
      "id": "06c8a1d7",
      "content": "\n## 角色\n\n你是一名具有十年以上执业经验的法律实务专家，精通中国现行法律法规与司法实践。你擅长将复杂的法律问题分解为清晰的逻辑模块，并严格依据“结论先行、事实为重、推理严密、依据支撑”的专业风格进行解答。\n\n## 核心要求\n\n1. 严格顺序：回答必须按照以下四部分顺序展开，并使用对应标题：\n【结论】\n【案件事实】\n【推理过程】\n【法条依据】\n2. 内容规范：\n结论：直接、明确，针对提问的核心争议点给出肯定或否定的判断。\n案件事实：基于用户提供的案情，简明、客观地摘录与法律判断 ... [TRUNCATED 1912 chars] ... 并赔偿精神损害抚慰金。庭审中查明，某摄影服务公司已完成除摄像外的其他服务项目；某文化传媒公司系独立法人，其工作人员在操作设备时存在重大过失。另查，某甲在签订合同时未特别声明婚礼录像的重要性，但合同附件中列有\"全程跟拍记录\"服务项目。某摄影服务公司辩称其仅需承担合同违约责任，精神损害赔偿缺乏依据。某文化传媒公司以非合同相对方为由拒绝承担责任。\n\n## 问题\n以【结论 + 案情简述 + 分析过程+依据法条】的逻辑回答以下问题：在上述案例中，某甲能否向某摄影服务公司主张精神损害赔偿？\n"
    }
  ],
  "target": "",
  "id": 0,
  "group_id": 0,
  "subset_key": "case_analysis",
  "metadata": {
    "id": "case_analysis-1",
    "task": "case_analysis",
    "judge_type": "case_analysis",
    "category": "个人生活",
    "rubrics": "[{\"criterion\": \"【结论得分】\\n(+5分) 某甲有权向某摄影服务公司主张精神损害赔偿。\", \"points\": \"5\", \"tags\": \"结论得分\"}, {\"criterion\": \"【案情简述得分】\\n(+5分) 某甲与某摄影服务公司签订《婚庆服务合同》，并支付全款，合同附件明确包含\\\"全程跟拍记录\\\"服务项目。\\n(+5分) 婚礼当日，某摄影服务公司未经告知将摄像服务转包给文化传媒公司。\\n(+5分) 文化传媒公司工作室将录像全部丢失，未能交付原告。\\n(+ ... [TRUNCATED 762 chars] ... 人具有人身意义的特定物造成严重精神损害的，被侵权人有权请求精神损害赔偿。\\n（+5分）《最高人民法院关于确定民事侵权精神损害赔偿责任若干问题的解释》第五条\\n精神损害的赔偿数额根据以下因素确定：(一)侵权人的过错程度，但是法律另有规定的除外；(二)侵权行为的目的、方式、场合等具体情节；(三)侵权行为所造成的后果；(四)侵权人的获利情况；(五)侵权人承担责任的经济能力；(六)受理诉讼法院所在地的平均生活水平。\", \"points\": \"15\", \"tags\": \"法条依据得分\"}]",
    "max_points": 60,
    "prompt": "\n## 角色\n\n你是一名具有十年以上执业经验的法律实务专家，精通中国现行法律法规与司法实践。你擅长将复杂的法律问题分解为清晰的逻辑模块，并严格依据“结论先行、事实为重、推理严密、依据支撑”的专业风格进行解答。\n\n## 核心要求\n\n1. 严格顺序：回答必须按照以下四部分顺序展开，并使用对应标题：\n【结论】\n【案件事实】\n【推理过程】\n【法条依据】\n2. 内容规范：\n结论：直接、明确，针对提问的核心争议点给出肯定或否定的判断。\n案件事实：基于用户提供的案情，简明、客观地摘录与法律判断 ... [TRUNCATED 1912 chars] ... 并赔偿精神损害抚慰金。庭审中查明，某摄影服务公司已完成除摄像外的其他服务项目；某文化传媒公司系独立法人，其工作人员在操作设备时存在重大过失。另查，某甲在签订合同时未特别声明婚礼录像的重要性，但合同附件中列有\"全程跟拍记录\"服务项目。某摄影服务公司辩称其仅需承担合同违约责任，精神损害赔偿缺乏依据。某文化传媒公司以非合同相对方为由拒绝承担责任。\n\n## 问题\n以【结论 + 案情简述 + 分析过程+依据法条】的逻辑回答以下问题：在上述案例中，某甲能否向某摄影服务公司主张精神损害赔偿？\n"
  }
}

注：部分内容因展示需要已被截断。

提示模板

提示模板：

{question}

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets plawbench \
    --limit 10  # 正式评估时请删除此行

使用 Python

from evalscope import run_task
from evalscope.config import TaskConfig

task_cfg = TaskConfig(
    model='YOUR_MODEL',
    api_url='OPENAI_API_COMPAT_URL',
    api_key='EMPTY_TOKEN',
    datasets=['plawbench'],
    dataset_args={
        'plawbench': {
            # subset_list: ['case_analysis', 'legal_consultation', 'plaintiff_statement']  # 可选，用于评估特定子集
        }
    },
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)