應(yīng)用大語言模型輔助檢察機(jī)關(guān)提出量刑建議的實踐探索

摘 要：大語言模型為智能輔助檢察機(jī)關(guān)提出量刑建議帶來了技術(shù)范式的革新。但仍存在概率生成的“天然缺陷”與司法數(shù)據(jù)安全整合難題。對此，應(yīng)通過技術(shù)上模型本地化部署、“類案匹配”與“理論預(yù)測”雙向驗證來構(gòu)建安全可控的智能基座，責(zé)任上完善“人機(jī)協(xié)同”司法責(zé)任閉環(huán)，明確檢察官在量刑要素提取和最終量刑建議決策中的關(guān)鍵作用，促進(jìn)量刑建議的精準(zhǔn)化和規(guī)范化，以技術(shù)賦能助力司法資源優(yōu)化配置與高質(zhì)效辦案。

關(guān)鍵詞：大語言模型 智能輔助 量刑建議 檢察機(jī)關(guān)司法責(zé)任

面對海量適用認(rèn)罪認(rèn)罰從寬制度的案件，在保障量刑建議精確性與公正性的同時，還需兼顧訴訟效率，這無疑給刑事檢察工作帶來了巨大挑戰(zhàn)，使得應(yīng)用信息技術(shù)輔助量刑建議日益成為檢察機(jī)關(guān)的剛需。大語言模型（Large Language Model，簡稱LLM）是指經(jīng)過大規(guī)模文本數(shù)據(jù)訓(xùn)練的語言模型，具有自然語言理解和通過文本生成解決復(fù)雜任務(wù)的能力［1］，這為改善傳統(tǒng)量刑建議輔助系統(tǒng)的不足帶來了新機(jī)遇。但大語言模型也面臨著模型概率生成、數(shù)據(jù)安全與整合等問題。本文旨在探討大語言模型輔助檢察機(jī)關(guān)量刑建議的實現(xiàn)路徑，分析現(xiàn)存問題并提出解決方案，在技術(shù)賦能與司法責(zé)任堅守的平衡中，推動量刑建議工作的規(guī)范化、智能化發(fā)展。

一、智能量刑建議輔助系統(tǒng)的升級迭代

在人工智能技術(shù)迭代發(fā)展的背景下，尤其是大語言模型技術(shù)的突破，為智能輔助檢察機(jī)關(guān)提出量刑建議提供了新一代的解決方案，量刑建議輔助系統(tǒng)正經(jīng)歷從傳統(tǒng)規(guī)則引擎向智能模型驅(qū)動的重要轉(zhuǎn)型。

（一）傳統(tǒng)量刑建議輔助系統(tǒng)的局限性

檢察機(jī)關(guān)一直在積極探索智能量刑建議輔助系統(tǒng)的研發(fā)應(yīng)用，諸如上海刑事案件智能輔助辦案系統(tǒng)（“206”系統(tǒng)）使用“人工標(biāo)注+機(jī)器學(xué)習(xí)”的方式提出量刑參考、湖北檢察機(jī)關(guān)智能量刑輔助系統(tǒng)根據(jù)檢察官在審查過程中梳理出的量刑要素生成量刑建議、廣東省廣州市南沙區(qū)智能量刑建議輔助系統(tǒng)則通過檢索、統(tǒng)計類案刑期給出量刑參考。但不可忽視的是，上述量刑輔助系統(tǒng)存在一些短板，致使其應(yīng)用范圍和效果存在一定局限性：

1.數(shù)據(jù)輸入存在不便。部分系統(tǒng)雖能自動抓取部分關(guān)鍵信息，但由于法律文書表述比較多樣，面對復(fù)雜情況時系統(tǒng)容易遺漏關(guān)鍵量刑情節(jié)。一般情況下還需要檢察官手動填錄案件相關(guān)量刑情節(jié)，這一過程較為繁瑣復(fù)雜，增加了不少工作量，極大影響檢察官的使用積極性，還容易因人為因素導(dǎo)致輸入錯誤或遺漏關(guān)鍵信息。

2.功能存在局限性。部分系統(tǒng)只能處理少數(shù)常見罪名案件，對于復(fù)雜罪名或新類型案件的支持不足。即便是同一個常見罪名，面對錯綜復(fù)雜、千變?nèi)f化的案情時，系統(tǒng)常常難以應(yīng)對。如在一個案件中既有自首情節(jié)，又存在累犯情節(jié)，同時還涉及被害人有一定過錯等情況，系統(tǒng)很難精準(zhǔn)權(quán)衡各個情節(jié)的權(quán)重，給出恰當(dāng)?shù)牧啃探ㄗh。

（二）大語言模型為智能輔助量刑建議帶來新機(jī)遇

不同于傳統(tǒng)的人工智能僅對輸入數(shù)據(jù)進(jìn)行處理和分析，大語言模型能學(xué)習(xí)并模擬人類語言的內(nèi)在規(guī)律，根據(jù)用戶輸入的文本生成具有邏輯性和連貫性的新內(nèi)容，其具備強(qiáng)大的自然語言處理能力：一是善于理解與生成文本，能夠生成連貫且符合語法規(guī)則的自然語言文本，適用于問答、寫作、輔助代碼生成等諸多場景。二是善于總結(jié)與歸納文本，能夠?qū)﹂L文本進(jìn)行總結(jié)，提取關(guān)鍵信息，在一定程度上進(jìn)行知識整合。三是可以將結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為文本，例如將表格、數(shù)據(jù)庫的數(shù)據(jù)轉(zhuǎn)換為報告或者其他可讀文本。這為智能輔助量刑建議帶來了新的發(fā)展機(jī)遇。

1.文本理解能力強(qiáng)。大語言模型能夠?qū)Ψ晌谋局心：⒊橄蟮母拍钸M(jìn)行深入剖析和解讀。比如對于“情節(jié)嚴(yán)重”“嚴(yán)重后果”等難以精確界定的表述，通過學(xué)習(xí)司法解釋、司法判例等文本，大語言模型能夠結(jié)合上下文和法律實踐，給出較為準(zhǔn)確的解釋和判斷。

2.類案檢索效率高。過去需要提前對批量案例進(jìn)行標(biāo)注或結(jié)構(gòu)化，將案例轉(zhuǎn)化為機(jī)器可以識別的數(shù)據(jù)，才能進(jìn)行檢索和分析，該過程需要大量人力，成本高昂。而大語言模型能夠快速識別案例的關(guān)鍵要素，包括犯罪事實、情節(jié)、法律適用以及判決結(jié)果等。通過對這些要素的提取和分析，它能夠高效地進(jìn)行案例相似性匹配。當(dāng)面臨新的案件時，大語言模型可以迅速在案例庫中找出與之相似的過往案例。

3.推理過程清晰易懂。大語言模型可以根據(jù)輸入的案件信息，自動生成詳細(xì)的量刑推理過程，不僅表達(dá)流暢，還能對各種量刑情節(jié)進(jìn)行分析和闡述，分步展示量刑建議的推理過程，提高量刑決策的透明度和合理性。

二、大語言模型輔助量刑建議面臨的雙重困境

盡管大語言模型為智能輔助量刑建議帶來了技術(shù)范式的革新，但其概率生成的“天然缺陷”與司法數(shù)據(jù)治理的現(xiàn)實困境形成雙重制約，構(gòu)成了其從技術(shù)潛力轉(zhuǎn)化為司法效能的主要障礙。

（一）模型概率生成的天然缺陷

以ChatGTP為代表的生成式大語言模型本質(zhì)上是一種基于概率統(tǒng)計的語言模型。［2］通俗來講，就是根據(jù)前面的詞來預(yù)測下一個概率最高的候選詞作為輸出，而非依賴嚴(yán)格的邏輯推理。但高概率并不等同于正確性，所以大語言模型輸出的結(jié)果不可能是百分之百正確的，這就是模型輸出錯誤、虛假信息的主要原因。這種技術(shù)特性導(dǎo)致大語言模型輸出的結(jié)果存在天然的“不確定性”，體現(xiàn)為三個方面的應(yīng)用局限：

1.數(shù)學(xué)計算與邏輯推理能力有限。大語言模型只是近似地推理數(shù)學(xué)問題，無法像數(shù)學(xué)軟件那樣執(zhí)行精確計算，涉及到多步推理很容易出錯。若直接讓其按照量刑規(guī)則計算量刑，相同問題在不同時間輸入，輸出結(jié)果可能因概率計算的隨機(jī)性而不一致，難以滿足刑事司法對量刑結(jié)果確定性的要求。

2.專業(yè)領(lǐng)域應(yīng)用存在虛構(gòu)風(fēng)險。面對法律等專業(yè)領(lǐng)域的復(fù)雜問題，大語言模型的回答僅是符合語法規(guī)則而已，未必符合客觀事實，可能虛構(gòu)法條或判例。例如測試模型過程中，對幫助信息網(wǎng)絡(luò)犯罪活動罪案提出量刑建議，當(dāng)犯罪嫌疑人提供支付結(jié)算幫助數(shù)額達(dá)上千萬元時，模型曾多次虛構(gòu)《刑法》第287條之二“情節(jié)特別嚴(yán)重”的條款，進(jìn)而得出判處3年以上有期徒刑的錯誤結(jié)論。

3.實時信息檢索能力不足。大語言模型的知識儲備受限于訓(xùn)練數(shù)據(jù)的截止時間（如DeepSeek模型的知識截止于2024年7月），無法自動更新案件信息和法律法規(guī)。若未外掛動態(tài)知識庫，模型只能基于舊數(shù)據(jù)對新案件作出錯誤解讀，導(dǎo)致量刑建議與現(xiàn)行法律法規(guī)脫節(jié)。

（二）司法數(shù)據(jù)的安全和整合難題

1.數(shù)據(jù)安全層面。首先，大語言模型需依托海量的司法數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)，其中涉及個人信息、案件細(xì)節(jié)等大量敏感信息，在該過程就可能因技術(shù)漏洞而被非法獲取。例如在準(zhǔn)備訓(xùn)練數(shù)據(jù)階段，大語言模型可能會無意中記住一些不該被公開的敏感信息。這種在毫無察覺中記錄并透露敏感數(shù)據(jù)的情況稱為“模型記憶泄露”。［3］其次，還需防范“提示注入攻擊”等新型安全隱患。這種攻擊主要針對的是大語言模型，攻擊者會巧妙地將惡意輸入偽裝成合法的提示，以此來欺騙、繞過或操控大語言模型，使其產(chǎn)生非預(yù)期的輸出，從而達(dá)到泄露敏感數(shù)據(jù)、散播錯誤信息的目的。［4］大語言模型能與人通過自然語言溝通，攻擊它不需要會編程懂技術(shù)，只要通過一定的話術(shù)誘導(dǎo)即可獲取涉密信息。這種“低技術(shù)門檻”的攻擊方式，直接威脅著司法數(shù)據(jù)的安全性。

2.數(shù)據(jù)整合層面。樣本不足、地域差異、時效性不足直接影響智能量刑建議輔助系統(tǒng)的準(zhǔn)確性和可靠性。首先，司法數(shù)據(jù)尤其是法院裁判數(shù)據(jù)尚未實現(xiàn)共享，目前主要依賴于本地裁判文書和中國裁判文書網(wǎng)，存在公開不完全、采集不全面等問題，導(dǎo)致模型訓(xùn)練數(shù)據(jù)難以準(zhǔn)確反映司法實踐全貌。其次，我國不同地區(qū)的經(jīng)濟(jì)發(fā)展和法治化程度存在差異，司法實踐受地方政策導(dǎo)向、司法理念變遷等因素影響，使得不同地區(qū)司法機(jī)關(guān)在處理同類罪名或量刑情節(jié)時，可能采用不同的標(biāo)準(zhǔn)，導(dǎo)致模型量刑建議與地方司法實踐脫節(jié)。最后，法律條文、司法解釋及社會價值觀隨時代發(fā)展不斷調(diào)整，但司法數(shù)據(jù)的更新往往滯后于法律實踐，可能導(dǎo)致模型輸出的量刑建議不符合現(xiàn)行司法政策。

三、技術(shù)賦能與司法責(zé)任的辯證統(tǒng)一

面對大語言模型的技術(shù)局限性與數(shù)據(jù)治理難題，單純依靠技術(shù)迭代或制度完善難以實現(xiàn)有效破局。需要構(gòu)建技術(shù)理性與司法規(guī)律深度融合的解決方案：既要通過技術(shù)創(chuàng)新打造安全可控的智能基座，又要以司法責(zé)任制為核心筑牢人工審核的制度防線，形成技術(shù)賦能與專業(yè)判斷相互支撐、協(xié)同進(jìn)化的良性生態(tài)。

（一）技術(shù)進(jìn)路：構(gòu)建安全可控的智能基座

1.模型本地化部署。本地部署大語言模型為檢察機(jī)關(guān)智能輔助量刑建議提供了安全、高效、可控的技術(shù)路徑。首先，對于大語言模型虛構(gòu)風(fēng)險和時效性不足問題，模型本地化部署可以搭建本地知識庫存儲并更新刑事判決書、法律法規(guī)及量刑規(guī)則，讓大模型在生成量刑建議前，先從本地知識庫中檢索比較類案、相關(guān)法規(guī)，再結(jié)合案件事實進(jìn)行推理，確保量刑建議符合現(xiàn)行法規(guī)與實務(wù)標(biāo)準(zhǔn)。其次，本地部署多個模型并進(jìn)行交叉驗證，可以顯著降低大語言模型“不確定性”風(fēng)險。例如，在本地部署A、B兩種大模型，A模型負(fù)責(zé)從法律文書中提取罪名、數(shù)額、量刑情節(jié)等關(guān)鍵要素，B模型對提取結(jié)果進(jìn)行校驗修正；或由A、B模型獨立完成量刑計算，通過比對結(jié)果一致性，判斷量刑計算結(jié)果的可靠性。再次，模型本地化部署可將數(shù)據(jù)完全控制在檢察機(jī)關(guān)內(nèi)部服務(wù)器或內(nèi)網(wǎng)中，避免因網(wǎng)絡(luò)傳輸或第三方存儲等環(huán)節(jié)導(dǎo)致的數(shù)據(jù)泄露風(fēng)險。最后，模型本地化部署能更好地支持與檢察業(yè)務(wù)應(yīng)用系統(tǒng)、電子卷宗系統(tǒng)的無縫對接與數(shù)據(jù)互通，依托各省政法一體化平臺為大語言模型提供完整、實時的本地生效刑事判決書，為有效整合司法數(shù)據(jù)進(jìn)行模型微調(diào)與定向優(yōu)化提供豐富的樣本。

2.類案匹配與理論預(yù)測雙向驗證。類案數(shù)據(jù)中蘊(yùn)含獨一無二的“活著的”量刑經(jīng)驗與規(guī)律，但長期處于待挖掘的未開發(fā)狀態(tài)。［5］大語言模型的自然語言處理能力使得批量挖掘類案中的量刑規(guī)律與經(jīng)驗的可行性大大提升。以浙江檢察機(jī)關(guān)大語言模型測試為例，選取特定罪名的生效判決書，提前使用大語言模型對批量判決書文本進(jìn)行總結(jié)歸納，提取罪名、犯罪數(shù)額、量刑情節(jié)、判處刑罰等特征要素，形成結(jié)構(gòu)化數(shù)據(jù)匯總至一張《類案量刑要素表》中，避免大語言模型每次量刑時都要解讀一遍全庫判決書的情形，既提高了檢索效率又增加了量刑結(jié)果的穩(wěn)定性。此外，出于數(shù)據(jù)安全的考慮，大語言模型不直接訪問本地判決書庫，不保存歷史對話內(nèi)容，僅根據(jù)《類案量刑要素表》中的犯罪事實、量刑情節(jié)等特征要素，計算新案與歷史案例的匹配度，避免了模型對原始裁判文書中個人信息、案件細(xì)節(jié)的直接讀取，防止“提示注入攻擊”等安全風(fēng)險。

在發(fā)揮類案的實踐參照價值同時，大語言模型還可以根據(jù)量刑規(guī)范化的基本原理和規(guī)則，智能輸出理論上的預(yù)測量刑建議。一般可以分為三個步驟：第一步，將“兩高”《關(guān)于常見犯罪的量刑指導(dǎo)意見》等規(guī)范文件中的量刑原則、方法、情節(jié)規(guī)則（如基準(zhǔn)刑確定、情節(jié)調(diào)節(jié)幅度）轉(zhuǎn)化為算法可識別的結(jié)構(gòu)化數(shù)據(jù)（如自首情節(jié)從寬10%—30%）。第二步，應(yīng)用大語言模型自動識別新案件中的定罪事實與量刑情節(jié)（如犯罪數(shù)額、危害后果），并對法定和酌定情節(jié)（如未成年人、退贓退賠）進(jìn)行類型化建模，設(shè)置差異化的權(quán)重系數(shù)與運(yùn)算規(guī)則。第三步，讓大模型按照演繹法邏輯，按照“基準(zhǔn)刑→情節(jié)調(diào)節(jié)→宣告刑”的量刑流程進(jìn)行推演，輸出符合理論框架的量刑建議，對個案進(jìn)行理論預(yù)測。

最后，大語言模型對類案匹配與理論預(yù)測的量刑結(jié)果進(jìn)行對比分析，若兩者差異超過預(yù)設(shè)閾值（如刑期差距超過30%），則啟動異常排查流程，提示檢察官復(fù)核是否存在情節(jié)遺漏、規(guī)則滯后或數(shù)據(jù)偏差等問題，兩個部分通過交互驗證形成“雙保險”機(jī)制。

（二）責(zé)任進(jìn)路：完善“人機(jī)協(xié)同”司法責(zé)任體系

司法責(zé)任制的核心在于“誰辦案誰負(fù)責(zé)”，技術(shù)賦能量刑建議的本質(zhì)是為檢察權(quán)運(yùn)行提供輔助支撐，而非替代檢察官的專業(yè)判斷。所以，需構(gòu)建“人工主導(dǎo)—技術(shù)輔助—責(zé)任可溯”的立體化責(zé)任體系，確保技術(shù)應(yīng)用與司法責(zé)任的辯證統(tǒng)一。

1.在大語言模型提取不同罪名量刑要素的關(guān)鍵環(huán)節(jié)，檢察官的專業(yè)判斷與經(jīng)驗介入是確保要素提取精準(zhǔn)性、適配性的核心支撐。檢察官的介入絕非簡單的數(shù)據(jù)標(biāo)注，而是通過專業(yè)判斷為模型的精準(zhǔn)運(yùn)行奠定合規(guī)、合理的底層邏輯。具體而言：一是分罪名構(gòu)建“量刑要素提取清單”。例如，職務(wù)犯罪領(lǐng)域，受賄罪中“是否索賄”“贓款贓物是否用于非法活動”等要素，直接影響量刑幅度，而模型可能因樣本數(shù)量不足，而遺漏提取法定特殊情節(jié)。故檢察官需根據(jù)法律法規(guī)，針對不同罪名逐步明確差異化的要素提取標(biāo)準(zhǔn)，明確其在不同罪名中的提取優(yōu)先級和權(quán)重。二是明確酌定情節(jié)提取范圍。例如，在電信網(wǎng)絡(luò)詐騙犯罪高發(fā)地區(qū)，犯罪嫌疑人“參與電詐犯罪團(tuán)伙時長”“非法獲利數(shù)額”等非法定情節(jié)在實務(wù)中常作為量刑的重要參考，而模型會因法律法規(guī)無明確規(guī)定，而忽略此類經(jīng)驗性要素。檢察官需基于長期辦案經(jīng)驗，將這些酌定情節(jié)納入模型提取要素范圍，并設(shè)置相應(yīng)權(quán)重系數(shù)，確保模型能充分考量司法實踐中的復(fù)雜因素。

2.智能化量刑系統(tǒng)的價值在于提升量刑的規(guī)范性和效率，但最終的量刑建議仍需由檢察官結(jié)合個案特殊性作出實質(zhì)判斷。一是明確檢察官在量刑建議中的最終決策權(quán)，模型建議僅作為參考依據(jù)。系統(tǒng)輸出的量刑建議必須經(jīng)過檢察官的雙重校驗：既審查類案匹配的準(zhǔn)確性，又校驗理論預(yù)測的合理性。二是對系統(tǒng)運(yùn)行的關(guān)鍵數(shù)據(jù)（如《類案特征要素表》的生成過程、理論預(yù)測的算法參數(shù)、檢察官對量刑建議的修正軌跡）進(jìn)行全程記錄。輸出建議同時生成“技術(shù)說理報告”（如類案匹配的相似案例清單、理論計算的公式推導(dǎo)過程），供檢察官作為說理依據(jù)，既提升量刑建議的公信力，也為責(zé)任認(rèn)定提供清晰的邏輯鏈條。三是區(qū)分“技術(shù)缺陷引發(fā)的量刑偏差”與“司法裁量過錯”。當(dāng)系統(tǒng)出現(xiàn)“類案匹配度低于60%”或者“理論預(yù)測與類案分析刑期差異超過30%”等異常信號時，自動觸發(fā)“人工強(qiáng)制介入”程序。此時，檢察官需根據(jù)“技術(shù)復(fù)核清單”，逐項排查數(shù)據(jù)提取是否完整（如是否遺漏“累犯”情節(jié)）、算法規(guī)則是否滯后（如是否未更新最新司法解釋），并將復(fù)核結(jié)果反饋至技術(shù)部門進(jìn)行模型優(yōu)化，從而形成“風(fēng)險發(fā)現(xiàn)—責(zé)任界定—技術(shù)迭代”的閉環(huán)，落實司法責(zé)任制。