探索AI技术在法律领域应用的新高度，深入解析Deepseek模型在类案检索总结中的实战表现。核心内容：1. Deepseek在法律研究场景中的表现回顾2. 类案检索总结的实务需求与挑战3. Deepseek与得理法律大模型的对比分析
前言
上一期我们探讨了Deepseek（如无特别说明，仅指Deepseek-R1模型）在法律研究场景中的实际表现，这款新晋的"推理神器"确实有不少值得关注的特点。但与此同时，通用模型普遍存在的一些老问题——比如幻觉现象、信源权威性不足——在Deepseek身上同样存在。本期我们换个角度，从另一个法律应用场景来审视通用大模型与法律专业大模型之间的表现差异。
在实务工作中，法律人几乎都"躲"不过的一个重要工作场景，就是：
"类案检索总结"
类案检索的最终目标，是产出一份高质量的检索报告。律师、法务等实务工作者需要根据检索目标收集类案信息，以此合理预判待决案件的可能走向，确定后续诉讼策略。而类案检索报告，正是所有这些信息的汇总载体。
但话说回来，从着手检索到输出一份高质量的检索报告，中间需要经历不少环节：阅读冗长的案例、寻找事实与争议焦点之间的相似性……层层分析下来，才能拿出一份像样的成果。
在大模型时代，借助模型的总结与生成能力，用户可以快速生成类案检索总结，从而显著提升案件阅读速度、候选类案的确认效率，以及裁判观点的归纳速度。这一点，确实是传统工作方式难以比拟的。
"DeepSeek"与"得理法律大模型"
基于这一场景，我们进行了一次测试：让两个AI各自生成一份关于生产、销售有毒、有害食品罪的刑事类案检索总结，看看它们能否胜任这一任务。
同时，结合律师、法务制作类案检索报告的实际需求，我们设定了几个评判标准：
文本提取的准确性：模型对个案核心事实、争议焦点和法律适用的分析推理，需要与用户上传的真实数据保持高度对齐。不能遗漏那些对法官自由心证影响较大的要点，否则结果的可参考性就会打折扣。
结果归纳的准确性和合理性：模型要能基于类案信息，归纳、比较和分析裁判结果及理由的异同。结论必须严格基于提供的类案，不能出现幻觉。
个性化指令的跟随性：实务人士需要的不是形式上的案件堆砌，而是真正有参考价值的检索输出。因此就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、所涉法律规范是否过时等细节。用户输入的个性化上下文，能否激活模型的对应注意力单元，从而对输出形成有效约束，这也是一个重要的考察维度。
这里需要说明一下：以小理AI为例，一些法律专业垂类大模型本身已经接入了自有案例数据库，并配置了"AI案例检索总结"等功能。因此类案总结的工作流很多时候不需要太"循规蹈矩"——案例检索和总结生成融合在一个流程里，这种双功能的便利性，确实没得说。
但为了公平对比，我们还是把两种模型"拉"回到同一起跑线上：两个模型都支持"基于文档分析的生成"，我们统一以上传类案文档的方式进行测试。案例来源是中国裁判文书网，数量为4个。第一轮，我们只单纯考察【总结】的能力，采用了比较简短、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
✦
再看看小理的结果：
✦
左右滑动查看完整回答
✦
从结果来看，两个模型产出的内容与原始文书之间，都有较高的信息对齐度。在简式案例总结这个层面上，Deepseek的推理能力确实有可圈可点之处。它的显式推理过程至少展示了三次思考：第一次是对多数裁判倾向的归纳，第二次是结合用户Query意图对事实类似但法律适用不同的少数类案提出疑问，第三次则是用要件拆解配合各种法律解释方法对两罪进行区分，并分别说理——什么情况下应当定什么罪名。
而小理的生成结果，在指令高度相似的情况下，回复相较Deepseek更收敛。得益于更严谨的微调取向，模型的幻觉问题比Deepseek要小。举个例子，Deepseek在回复中对罪名区分的部分，提到用"危害程度""残留量"来区分两罪的界限——这个结论有明显瑕疵，因为生产、销售有毒、有害食品罪属于行为犯。
从另一个角度看，第四个案件之所以以生产、销售不符合食品安全标准的食品罪定谳，而不是其他罪名，关键在于缺乏在食品中添加非食品原料的主观故意。按照类案遴选的规则，这个案例跟我们需要的理想类案存在事实差异，严格来说应该在检索阶段就筛掉。
基于这个发现，第二轮我们尝试升级挑战：构造一个更还原类案检索报告工作全流程形式的指令，看看Deepseek能否把类案遴选的推理加入自己的思维链(CoT)，也看看小理的表现如何：
问题2：请针对以下争议焦点，比较类案的法律适用和裁判结果，并生成详略得当的检索总结报告：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？
比较时，请注意以下3点：
1、个案核心事实如差异较大，则不选作类案；
2、个案未生效，则削弱权重并作简要提醒。如已被推翻，则不选作类案。
3、个案适用如与现行规定有出入，作简要提醒。
Deepseek的结果：
✦
左右滑动查看完整回答
✦
从显式推理可以看出，Deepseek对案例4的思考似乎更"深"了一层：它想到了可能是案件事实中没有体现行为人有添加有毒非食品原料的故意，才导致适用另一个罪名。但最终，它还是没有按照指令把相关案件剔除出去。小理模型的表现与Deepseek类似（图略），也没有剔除相关案例。这说明，两个模型在模拟更完整的类案检索总结工作流上，都还有提升空间。
结语
Deepseek的推理模型从面世至今，确实令人惊艳。基于多头潜在注意力（MLA）、混合专家架构（MoE）、负载均衡优化的技术架构，它在推理速度上实现了质的飞跃。冷启动阶段所用的优质长思维链数据，也深刻影响了模型的思考特性。
然而，从法律研究到类案检索总结，法律场景对信息严谨性的要求，依然是通用大模型面前一道亟待跨越的深沟。因此，法律专业大模型的垂类方案，在可见的未来是否会与通用大模型形成一种相辅相成的共生关系？这个问题，或许值得持续关注。