legal-corpus-raw-batches

Legal Corpus Raw Batches 是一个大规模、多语言、专注于法律领域的原始语料库集合，旨在为法律语言模型预训练、信息检索、文本嵌入和语料分析提供基础数据。该数据集采用批次化组织方式，每个批次文件夹对应特定的数据源切片、分片或非重叠数据范围，并完整保留了来源元数据和上传验证信息以确保可追溯性。内容涵盖立法、法规、公共法律、法院判决、行政材料、法律文件、合同、专利/监管知识产权材料以及多语言/平行法律语料库等多种法律文本类型。数据收集避免了已知的重复源范围、纯嵌入数据集、仅分词/掩码数据、缺乏原始法律文本的纯问答数据集以及来源信息不足的数据。当前包含约2.203 TB的未压缩文本（约2,202,530,242,387字节），包含134个已追踪和验证的批次条目，涉及225个来源描述符，目标收集规模至少7 TB，理想情况下达到10 TB的有用原始法律文本。数据根据质量分为三个层级：核心法律文本（core_legal）、监管合同与知识产权（regulatory_contracts_ip）和法律网络候选文本（legal_web_candidate）。数据集包含来自多个主要来源家族的数据，例如美国联邦公报API、美国证券交易委员会EDGAR文件、西班牙官方国家公报（BOE）立法、法院记录档案、美国政府信息网站（govinfo）的联邦法规汇编（CFR）和公法（plaw）、CommonCrawl法律文本、案例法批量数据、平行立法、监管文件与合同、多语言法律语料库等，覆盖了包括英语、中文、西班牙语、法语、德语、荷兰语、捷克语、加泰罗尼亚语、哈萨克语、俄语在内的多种语言。每个批次都附有最小元数据规范，包括来源ID、URL、类型、质量等级、许可证、来源家族、去重键等，并尽可能保留源生元数据。

Legal Corpus Raw Batches is a large-scale, multilingual, and law-focused raw corpus collection designed to provide foundational data for legal language model pre-training, information retrieval, text embedding, and corpus analysis. The dataset is organized in batches, where each batch folder corresponds to a specific data source slice, shard, or non-overlapping data range, with complete retention of source metadata and upload verification information to ensure traceability. The content covers various legal text types, including legislation, regulations, public laws, court judgments, administrative materials, legal documents, contracts, patent/regulatory intellectual property materials, and multilingual/parallel legal corpora. The data collection process avoids known duplicate source ranges, pure embedding datasets, tokenized/masked-only data, pure Q&A datasets lacking original legal texts, and data with insufficient source information. It currently contains approximately 2.203 TB of uncompressed text (about 2,202,530,242,387 bytes), with 134 tracked and verified batch entries, involving 225 source descriptors, and aims to collect at least 7 TB, ideally reaching 10 TB of useful raw legal text. The data is divided into three quality tiers: core legal texts (core_legal), regulatory contracts and intellectual property (regulatory_contracts_ip), and legal web candidate texts (legal_web_candidate). The dataset includes data from multiple major source families, such as the U.S. Federal Register API, U.S. Securities and Exchange Commission EDGAR filings, Spanish Official State Gazette (BOE) legislation, court record archives, U.S. Government Information Website (govinfo) for the Code of Federal Regulations (CFR) and public laws (plaw), CommonCrawl legal texts, case law bulk data, parallel legislation, regulatory documents and contracts, and multilingual legal corpora, covering languages including English, Chinese, Spanish, French, German, Dutch, Czech, Catalan, Kazakh, and Russian. Each batch includes minimal metadata specifications, such as source ID, URL, type, quality level, license, source family, deduplication key, etc., and retains native metadata as much as possible.

原始信息汇总

数据集概述：Legal Corpus Raw Batches

• 数据集名称: Legal Corpus Raw Batches
• 数据集地址: https://huggingface.co/datasets/TryDotAtwo/legal-corpus-raw-batches
• 许可证: other
• 任务类别: text-generation, feature-extraction, sentence-similarity
• 语言: multilingual
• 标签: legal, law, raw-corpus, legislation, court-decisions, regulations, contracts, sec-filings, provenance, metadata, multilingual
• 数据集大小: 1T<n<10T

数据集内容与用途

该数据集是一个大规模、原始的、保留来源的法律领域语料库集合，旨在用于法律语言模型的预训练、检索、嵌入和语料库分析。数据集以批次（batch）为导向进行组织，每个文件夹对应一个特定的来源切片、分片或不重叠的范围。

包含内容：

• 立法文本、法规、公共法律
• 法院判决、行政材料、法律文件
• 合同、专利/监管知识产权材料
• 多语言/平行法律语料库（当上游来源和条款被保留时）

不包含内容：

• 已知的重复来源范围
• 仅嵌入的数据集
• 仅经过分词或掩码处理的数据
• 仅包含问答而不含原始法律文本的数据集
• 受限或失败的数据源
• 缺乏足够来源信息以进行后续审计的数据

数据规模与构建状态

• 当前未压缩文本字节数: 约 2.203 TB (2,202,530,242,387 bytes)
• 目标收集规模: 至少 7 TB，最佳目标为 10 TB
• 跟踪的批次条目: 134 个
• 已验证上传的批次: 134 个
• 来源描述符: 225 个
• 数据收集为进行中状态，上述数字基于集群状态文件生成

来源与元数据政策

每个接受的批次都会保留尽可能多的元数据。至少，批次规格和清单会追踪以下字段：

• source_id, source_url, source_type, quality_tier, license
• source_family, dedupe_key, batch ID
• 命令参数、上传状态、清理状态

当可用时，还会保留来源的原生元数据，例如：

• 联邦公报（Federal Register）文档元数据
• govinfo 的 URL/年份/标题/卷号/国会/公共法律元数据
• Hugging Face 数据集仓库元数据
• 文件清单、校验和、批次清单

用于生成当前状态的审计文件：

• state/provenance_audit.jsonl
• state/provenance_audit_summary.json
• state/text_bytes_progress.json
• state/hf_uploads.jsonl

质量等级

数据分为三个质量等级：

• core_legal: 173 个来源描述符
• regulatory_contracts_ip: 27 个来源描述符
• legal_web_candidate: 25 个来源描述符

主要来源家族

数据集包含多个主要来源家族，每个家族包含不同数量的来源描述符。以下为部分列举：

• federal_register_api_recent: 24
• hf_sec_edgar_filings_parquet: 12
• spain_boe_consolidated_legislation: 12
• hf_court_records_split_archive: 9
• govinfo_cfr: 7
• govinfo_plaw: 7
• commoncrawl_legal_wet_text: 5
• hf_caselaw_bulk: 3
• parallel_legislation: 2
• regulatory_filings_contracts: 2
• court_bulk: 2
• hf_multilingual_legal_corpus: 2
• official_legislation_xml: 2
• hf_court_records_archive: 2
• legislation: 1
• legislation_court_tribunal: 1
• chinese_legal_benchmark_blocked: 1
• chinese_case_retrieval: 1
• official_legislation: 1
• patent_fulltext: 1
• hf_dataset: 1
• regulation_xml: 1
• official_bulk_legal_xml: 1
• official_france_legal_archives: 1
• lemur_eurlex_environment: 1
• openlegaldata_court_decisions_germany: 1
• hf_court_judgements: 1
• hf_regulatory_filings: 1
• openlegaldata_laws_germany: 1
• parallel_translation_memory: 1

上传与清理规则

原始数据在本地以限定批次收集，上传至 TryDotAtwo/legal-corpus-raw-batches 仓库，通过上传记录和远程文件列表进行验证，之后才进行本地清理。本地清理标记（如 .uploaded.ok 和 .cleanup.ok）用于避免删除未经验证的原始数据。

备注：哈萨克斯坦来源

哈萨克斯坦法律语料库的来源归属于 Any0ka/kazakhstan-laws-dataset。在该原始语料库中，它被追踪为 batch-205-kazakhstan-legal-corpus，并保留了批次元数据、文件清单和清单。其语言为哈萨克语和俄语（kk, ru）。

部分来源快照

以下为来源目录的部分快照，展示了批次名称、来源ID、质量等级、类型/来源家族、URL以及许可证条款：

批次	来源 ID	等级	类型/来源家族	URL	许可证
batch-046-riksarkivet-court-records-aa-ad	046_riksarkivet_court_records_aa_ad	core_legal	hf_court_records_split_archive	https://huggingface.co/datasets/Riksarkivet/court_records	source-specific terms; verify before redistribution
batch-205-kazakhstan-legal-corpus	any0ka_kazakhstan_laws_dataset	core_legal	kazakhstan_laws_any0ka	https://huggingface.co/datasets/Any0ka/kazakhstan-laws-dataset	odc-by / source-specific; verify upstream dataset card and source notices
batch-058-australia-commonwealth-legislation	australia_commonwealth_legislation	core_legal	hf_australia_legislation	https://huggingface.co/datasets/workingmem/legislation-cth	CC-BY-4.0 per HF tag; verify upstream card before public redistribution
batch-227-govinfo-cfr-2020-2023	batch_227_govinfo_cfr_2020_2023	core_legal	govinfo_cfr	https://www.govinfo.gov/bulkdata	US government public information; verify collection-specific reuse
batch-060-cail2018-china	cail2018_china	core_legal	hf_chinese_case_law_dataset	https://huggingface.co/datasets/china-ai-law-challenge/cail2018	unknown per HF tag; private research collection, verify before redistribution/public release
batch-216-catalan-spanish-legal-parallel	catalan_spanish_legal_parallel	core_legal	catalan_spanish_legal_parallel	https://huggingface.co/datasets/BSC-LT/Legal_Catalan_Spanish_Parallel_Corpus	cc-by-4.0
batch-212-egypt-legal-corpus	egypt_legal_corpus	core_legal	egypt_legal_corpus	https://huggingface.co/datasets/dataflare/egypt-legal-corpus	mit
batch-208-czech-constitutional-court	czech_constitutional_court_decisions	core_legal	czech_constitutional_court_decisions	https://huggingface.co/datasets/roslein/CZE_constitutional_court_decisions	eupl-1.1

搜集汇总

数据集介绍

构建方式

Legal Corpus Raw Batches的构建遵循严格的批次导向与溯源优先原则，系统地从立法、法规、法院判决、行政材料、法律文件、合同、专利及多语言平行语料等多元法律相关来源中，以原始格式收集文本数据。每个批次对应一个孤立的源切片或分片，并附带完整的来源元数据、上传验证工件及机器可读的审计文件，例如provenance_audit.jsonl与hf_uploads.jsonl。数据收集后先本地存储为有界批次，上传至远程仓库并通过上传账本与文件列表验证后，方执行本地清理，未经验证的数据不会被删除，以此确保数据完整性可追溯。

使用方法

使用者可通过HuggingFace仓库直接访问该数据集，其结构为按批次组织的目录形式，每个文件夹对应一个源切片并置入原始文件与元数据。适用于法律领域语言模型的预训练、检索增强生成（RAG）、嵌入模型微调及语料分析任务。用户应关注各批次的许可证条款与使用限制，部分来源需在重新分发前验证上游数据卡及源声明。建议利用提供的审计文件（如text_bytes_progress.json）监控数据规模与状态，并优先选用核心法律层级的批次以保证文本质量与权威性。

背景与挑战

背景概述

legal-corpus-raw-batches 数据集由 TryDotAtwo 团队于2025至2026年间创建，旨在构建一个大规模、多语种、保留来源信息的原始法律语料库。该数据集聚焦于法律及法律相关文本，涵盖立法、法规、法院判决、行政材料、合同、专利以及多语种并行法律语料，为法律领域的语言模型预训练、检索、嵌入与语料分析工作提供了坚实的基础。通过系统性地整合来自联邦公报、SEC文件、各国官方立法与法院记录等众多权威来源，该数据集在2026年6月已达到约2.203TB的压缩文本规模，目标容量为7至10TB，显著推动了法律自然语言处理领域中数据规模与多样性的边界。

当前挑战

该数据集所解决的领域问题在于，法律文本具有高度专业化、结构化复杂、多语种并存及来源分散的特性，传统通用语料库难以有效支撑法律AI模型的训练与评估。构建过程中面临诸多挑战：一是数据来源的异构性与许可合规性，需对来自225个来源描述符的文本进行严格的来源审计与许可核查；二是多语种法律文本的归一化与去重，需避免已知重复源范围并维护dedupe_key；三是大规模数据管道的可靠性，需通过上传日志与本地清理标记确保134个批次的完整上传与验证，防止数据丢失或污染。

常用场景

经典使用场景

在法律自然语言处理领域，大规模、高保真且来源可溯的文本语料是训练高性能法律语言模型的基石。Legal Corpus Raw Batches 数据集正是为满足这一需求而精心构建的，其经典使用场景涵盖法律领域语言模型的预训练（pretraining）、基于检索的增强生成（retrieval-augmented generation）、文本嵌入向量的学习（embedding）以及法律语料的结构化分析。研究者可利用该数据集的原始文本、细粒度来源元数据和分批次组织方式，进行语言模型从零开始的预训练或领域自适应继续训练，显著提升模型在法条理解、判决推理与合同审查等专业任务上的表现。

解决学术问题

长期以来，法律人工智能研究面临两大瓶颈：高质量多源法律数据的匮乏，以及数据来源模糊导致的研究结果难以复现。Legal Corpus Raw Batches 直击这些痛点，解决了法律语料跨辖区、跨语言收集的碎片化与不可追溯问题。其系统性的来源证明（provenance）策略——包括对每批次数据的来源标识、URL、许可证和去重键的追踪——为学术研究提供了前所未有的可审计性与透明度，使得依赖大规模法律文本的实证研究、多语言法律信息检索以及法律知识图谱的构建拥有了可靠的基础设施，从而推动法律科技领域向更加严谨和可复现的方向演进。

实际应用

在实际应用层面，Legal Corpus Raw Batches 所整合的立法文本、法院判决、行政法规、合同文件及证券备案等浩繁内容，直接服务于法律科技产业中多个关键环节的智能化升级。例如，利用海量判例文本训练的模型可用于辅助法官或律师进行类案检索与判决预测；基于监管法规文本开发的智能系统能够自动化合规审查与合同风险分析；而多语言并行法律语料则为跨国法律翻译与涉外法律服务提供了数据支撑。该数据集的严格来源纪律与质量分层（core_legal、regulatory_contracts_ip、legal_web_candidate），使企业级法律AI产品的落地拥有了安全、合规且可审计的数据基础。

数据集最近研究

最新研究方向

在司法与立法智能化转型的浪潮中，法律大语言模型的预训练与领域适配成为研究热点，数据集的规模、来源多样性与溯源质量直接决定了模型的认知深度与可信度。legal-corpus-raw-batches作为囊括逾2.2TB原始法律文本的多语种、多法规语料库，其前沿研究方向聚焦于构建高保真、可溯源的预训练语料基底，以支撑法律文本生成、语义检索与嵌入等核心任务。该数据集精准捕捉了新兴关切——从联邦公报、SEC文件到跨国判例与哈萨克斯塔立法，覆盖全球司法与监管脉络，其批次化管理与来源元数据审计机制有效规避了重复与低质数据干扰，显著推进了法律AI在合规审查、合同分析及跨境法律知识融合等热点场景中的落地的可靠性与可解释性。