OpenThai 2.0 Legal

在 OpenThai 2.0 Legal 上进行对话补全，依据其检索索引中 2,065 部泰国法律的条文作答，并返回所依据的条文，答案在送达前经过检查；OpenAI 兼容。

POST/v3/llm/openthai2p0-legal/chat/completions试一试

• 价格0.01 / 0.02 IC每 1k 词元，输入 / 输出
• 实测0.772
• 累计调用55.5K次

• v2.0
• 运行中
• 基准报告 (PDF)

输入

model

openthai2.0-legal

messages

role: user content: ลักทรัพย์ในเวลากลางคืน ผิดมาตราใด

max_tokens

1024

输出POST /v3/llm/openthai2p0-legal/chat/completions

id

chatcmpl-...

model

openthai2.0-legal-thaillm-nemotron-3-nano-30b-a3b

choices

message: { role, content }

usage

prompt_tokens: 2874 completion_tokens: 17

rag

true

retrieved_documents

2 × law: ประมวลกฎหมายอาญา section: 335 text: ผู้ใดลักทรัพย์ (๑) ในเวลากลางคืน ... score: 0.9989

answerable

true

answerable_reason

ok

content_modified

—

citations

total: 1 grounded: 1 ungrounded: []

全部字段见“响应”一节

请求

curl -X POST 'https://api.iapp.co.th/v3/llm/openthai2p0-legal/chat/completions' \
  -H 'apikey: YOUR_API_KEY' \
  -H 'Content-Type: application/json' \
  -d '{ \
    "model": "openthai2.0-legal", \
    "messages": [ \
      {"role": "user", "content": "ลักทรัพย์ในเวลากลางคืน ผิดมาตราใด"} \
    ], \
    "max_tokens": 1024 \
  }'

响应

200成功。字段在"响应"一节说明。

{
  "id": "chatcmpl-...",
  "model": "openthai2.0-legal-thaillm-nemotron-3-nano-30b-a3b",
  "choices": [
    {"message": {"role": "assistant", "content": "ลักทรัพย์ในเวลากลางคืน เป็นการกระทำความผิดตามมาตรา ๓๓๕ (๑) แห่งประมวลกฎหมายอาญา ..."}}
  ],
  "usage": {"prompt_tokens": 2874, "completion_tokens": 17},
  "rag": true,
  "retrieved_documents": [
    {"law": "ประมวลกฎหมายอาญา", "section": "335", "text": "ผู้ใดลักทรัพย์ (๑) ในเวลากลางคืน ...", "score": 0.9989},
    {"law": "ประมวลกฎหมายอาญา", "section": "334", "text": "ผู้ใดเอาทรัพย์ของผู้อื่น ...", "score": 0.9936}
  ],
  "answerable": true,
  "answerable_reason": "ok",
  "content_modified": null,
  "citations": {"total": 1, "grounded": 1, "ungrounded": []}
}

请求

JSON，采用 OpenAI 聊天补全的格式；OpenAI SDK 只需将 base URL 设为 https://api.iapp.co.th/v3/llm/openthai2p0-legal，密钥以 apikey 或 Authorization: Bearer 传入即可。本 API 特有的字段用于控制检索以及答案前后的检查。

请求头

apikeystring必填

您的 API 密钥，在控制台的 API Keys 中创建。

请求体

modelstring必填

openthai2.0-legal。

messagesarray必填

对话：含 role 与 content 的对象。请发送完整历史，包括 assistant 回合；简短的追问会与上一个问题一起检索。

ragboolean

默认 true：先检索法条，再据此作答。false 为不查资料的裸模型。

rag_top_kinteger

注入提示的检索条文数。默认 8，最多 20；rag_inject 为 system 时为 6。

rag_injectstring

user（默认）把条文放入模型训练时的框架，最适合 JSON 引用式回答；system 把条文作为参考放入系统提示，最适合长篇分析。

dekaboolean

默认 false。true 时还会检索最高法院判决（共 133,000 份），并将最相近的判决作为类比裁判注入提示；数量由 deka_top_k 设定。用于长篇分析；简短的引用式回答请保持关闭。

webstring

针对当前案件的网络搜索。auto（默认）仅在问题指名真实案件或人物、或含新闻用语时搜索；true 总是搜索；false 从不搜索。

unanswerable_modestring

答案无法以法条为依据时的处理方式。replace（默认）改为返回标准拒答；append 保留答案并附加警告；flag 原样保留答案，只设置判定字段。

guardboolean

默认 true：在模型运行前检查问题是否指名不存在的法律、条款或案件，是否基于虚构，是否属于法律问题，以及问题中是否夹带意在推翻或泄露您系统提示的指令。false 关闭该检查，不建议使用。

hold_until_verdictboolean

配合 stream 使用：扣留答案直至检查完成，再作为一个块发送，适用于无法替换已显示答案的界面。

chat_template_kwargsobject

{"enable_thinking": true} 开启逐步法律推理，推理内容与答案分开，在 message.reasoning_content 中返回（流式输出时为 delta.reasoning_content）。

temperaturefloat

引用式回答和分析用 0.0；对话用 0.6，见下方的设置。

seedinteger

固定采样，用于需要重复得到同一答案的场景。temperature 为 0.0 并设置 seed 时，同一请求几乎每次得到相同答案；但不保证逐字一致，因为请求会成批共享引擎，且有时由备用引擎作答。

repetition_penaltyfloat

对话用 1.05。请求未自行发送任何惩罚参数时，自动使用 1.05。

max_tokensinteger

最多生成的词元数。2,048 足以容纳一份完整的法律意见；答案平均为 500 至 650 词元。

streamboolean

设为 true 时以 server-sent events 逐词元返回。检索到的条文随第一块到达，判定字段随最后一块到达。

价格

每次调用按每 1K 输入词元 0.01 IC、每 1K 输出词元 0.02 IC 计费。

对话设置

{"temperature": 0.6, "top_p": 0.95, "repetition_penalty": 1.05, "min_p": 0.05, "max_tokens": 2048,
 "rag_inject": "system", "deka": true, "deka_top_k": 2, "web": "auto", "unanswerable_mode": "replace"}

在一组为诱发循环而挑选的问题上共运行 134 次，这组设置没有出现重复循环，引用的依据比例不变：99% 的引用条文出现在检索文本中。旧默认值（temperature 0.7、top_p 0.9，不加惩罚）有 1 至 2% 的答案陷入循环，直至 4,096 词元的上限。若仍出现循环，会在其起始处截断，响应中标明 content_modified: "loop_cut"。JSON 引用式回答请使用 temperature 0.0、关闭推理、rag_inject 设为 user；文章或分析请使用 temperature 0.0、开启推理、rag_inject 设为 system。

响应

OpenAI 聊天补全对象，如右侧面板所示，另加本 API 特有的字段：检索到的内容，以及检查的判定。

choices[0]

choices[0].message

choices[0].message.content

答案，引用法律名称与条款（มาตรา）

retrieved_documentsarray

答案所依据的条文，每条含 law、section、text 与 score

retrieved_documents.lawstring

retrieved_documents.sectionstring

retrieved_documents.textstring

retrieved_documents.scorenumber

answerableboolean

答案被拒绝或改写时为 false

answerable_reasonstring

ok，或无法回答的原因：no_relevant_law_found、ungrounded_citations、model_declined、empty_answer、unknown_law、unknown_section、unknown_case、case_not_found、fictional_premise、not_legal_question, instruction_override_detected

content_modifiedstring

答案保持不变时为 null；否则为 replaced（以拒答替换答案）、pruned（删除无依据的行）、appended（附加警告）或 loop_cut。改动前的文本在 original_content 中。

replacement_contentstring

流式输出时，若 content_modified 为 replaced 或 pruned，用于代替草稿显示的文本

citationsobject

total、grounded、ungrounded（无依据的条文），以及 lookup：模型凭记忆引用的条文及其与法条原文比对的得分

retrieval_confidencenumber

检索条文中最高的相关性分数，0 至 1

guardobject

模型运行前检查的结果：label（LEGAL、CASE、FICTION、INJECTION 或 OTHER）、refused、reason，以及 glossary，即解析出的法律术语

webobject

是否进行了网络搜索（used），以及搜索结果 results，每项含 title 与 url；请将其作为来源展示

truncationobject

仅在提示被截断以放入窗口时出现：prompt_tokens_before、prompt_tokens_after、removed_chars、limit

ragboolean

是否执行了检索

usageobject

词元计数

idstring

同 OpenAI 格式

modelstring

回答的模型

choicesarray

同 OpenAI 格式

choices.messageobject

回复内容，含 role 与 content

需要机器可读的答案时，使用模型训练所用的系统提示（与 JSON 约定一起发布在模型页面）；模型将只引用检索上下文中存在的条文。

流式输出

草稿逐词元流式输出。当检查替换或裁剪草稿时（占答案的 1 至 3%），随后还会到达一个内容块，其中是分隔符 \n\n---\n 与替换文本；最后一块为 choices: []，其中带有 usage、判定字段与 replacement_content。data: [DONE] 之后不再有任何内容。replacement_content 有值时，请用它代替草稿显示：

Python

draft, replacement = "", None
with client.chat.completions.create(model="openthai2.0-legal", messages=msgs, max_tokens=2048, stream=True,
                                    extra_body={"rag_inject": "system", "deka": True, "web": "auto"}) as stream:
    for chunk in stream:
        if chunk.choices and chunk.choices[0].delta.content:
            draft += chunk.choices[0].delta.content
            ui.set_answer(draft)                          # live
        extra = chunk.model_extra or {}
        if extra.get("replacement_content") is not None:
            replacement = extra["replacement_content"]    # last chunk: the check replaced or pruned the draft
ui.set_answer(replacement if replacement is not None else draft)

JavaScript

let draft = "", replacement = null;
const res = await fetch(url, { method: "POST", headers, body: JSON.stringify({ ...body, stream: true }) });
const reader = res.body.getReader(), dec = new TextDecoder(); let buf = "";
while (true) {
  const { value, done } = await reader.read(); if (done) break;
  buf += dec.decode(value, { stream: true });
  let i; while ((i = buf.indexOf("\n\n")) >= 0) {
    const line = buf.slice(0, i).trim(); buf = buf.slice(i + 2);
    if (!line.startsWith("data: ") || line === "data: [DONE]") continue;
    const o = JSON.parse(line.slice(6));
    for (const c of o.choices || []) if (c.delta?.content) { draft += c.delta.content; ui.setAnswer(draft); }
    if (o.replacement_content != null) replacement = o.replacement_content;
  }
}
ui.setAnswer(replacement ?? draft);

若界面无法替换已显示的内容，请发送 "hold_until_verdict": true；答案将在检查完成后作为一个块到达。

详情

实测

2026 年 10 月 28 日在生产环境测得，使用公开的 NitiBench 基准：仅发送问题，开启检索，以模型页面的系统提示词要求以 JSON 返回引用，temperature 为 0。引用 F1 衡量答案所引法律条文与正确条文的吻合程度，取值 0 到 1，多引条文会拉低分数；它只检查所引条文，不评判法律结论是否正确。

指标	结果
引用 F1，NitiBench-CCL，200 道民商、金融与公司法题目	0.772（95% CI 0.721–0.820）
引用 F1，NitiBench-Tax，50 份泰国税务厅裁定	0.444（0.348–0.547）
引用 F1，38 份未用于训练的较新税务裁定	0.218（0.119–0.332）
检索到全部正确条文的问题占比：CCL / Tax / 未训练裁定	95.0% / 46.0% / 21.1%
在提示中给出正确条文时的引用 F1：CCL / Tax	1.000 / 0.848
经 API 的每次回答中位耗时，100 道题	1.43 秒；第 90 百分位 3.21 秒

模型的微调数据取自 NitiBench-CCL 来源数据集的训练部分，已剔除测试题；2021 年起的税务裁定也用于后期训练，因此 38 份未训练裁定才代表模型面对未见问题的表现。结果主要取决于检索：依据多个条文的税务裁定最难，依赖答案前请核对 retrieved_documents。由程序读取引用时请要求 JSON 输出；以普通聊天消息发送时，200 道 CCL 题中有 43 个答案未引用任何条文。方法与局限：基准测试报告 (PDF)。

答案前后的检查

• 模型运行前，将问题与法律语料库及最高法院判决比对。若问题指名不存在的法律、条款或案号，以虚构为前提，或不属于法律问题，会立即得到标准的泰文拒答，不生成任何词元。问候语会得到简短的自我介绍；问候后紧接问题的消息按问题作答。
• 问题中夹带的指令，例如“忽略之前的指令”、要求打印系统提示，或冒充管理员命令的文字，会在模型运行前被拒绝：answerable 为 false，answerable_reason 为 instruction_override_detected，不生成任何词元。若答案复述了您系统提示的开头，在任何 unanswerable_mode 下都会被替换，您的系统提示不会被返回。在 2026 年 9 月 20 日至 10 月 20 日的 9,005 次调用中，该检查触发 13 次，全部是有意的攻击测试。
• 模型生成后，答案中的每个 มาตรา 都与检索到的条文比对；凭记忆引用的条文会被查出，引用它的句子再与法条原文比对。无法找到依据的内容会被删除；若答案中已没有任何有依据的引用，则整个答案被替换为拒答。
• 对于真实的当前案件，API 阅读排名靠前的新闻报道，提取其中指明的罪名，检索这些罪名对应的法条并据此作答。指名的案件若没有任何新闻来源报道，则以 case_not_found 拒答。这会增加 1 至 3 秒；搜索结果缓存一小时。考试式的假设题按法条作答，不进行搜索。

在一组 107 题的测试集上（涵盖不存在的法律、条款与案件、虚构内容、离题问题、错别字、当前案件以及真实考试题），无论是否开启推理，API 都在 105 题上表现正确；加入这些检查之前，105 题中有 75 题正确。法条中没有逐字写出的法律术语，例如 คดีอุทลุม、ครอบครองปรปักษ์ 或 ทางจำเป็น，会通过术语表解析到定义它们的条文。

长提示

提示最长可达 262,144 词元，约 350,000 至 450,000 个泰文字符；由备用引擎应答时为 131,072 词元。更长的提示不会被拒绝：服务会截去最长一条 user 消息的中间部分，使提示与 max_tokens 能够放入窗口，并以泰文标记注明截断位置，响应中带有 truncation。准确率在整个窗口内并不均匀。在使用真实法条文本的测试中，模型在 73K 和 92K 词元处找到了全部两个植入事实，在 115K 至 140K 处只找到其中一个，从 165K 起一个也找不到；因此需要精确回答的文本请控制在约 90K 词元（150,000 个泰文字符）以内。250K 词元的提示需要 30 至 35 秒读入。请求体最大可达 64 MB；超过 500 KB 的请求体经由中继路径传输，会增加几百毫秒。

健康检查

GET https://api.iapp.co.th/v3/llm/openthai2p0-legal/health 无需密钥，也不计费：API 能够应答时返回 200，无法应答时返回 503，响应中的 status 为 ok、degraded（仅由备用引擎应答）或 down。状态页显示过去 90 天的可用率与近期事件。

限制

• 每个 IP 每分钟 30 次请求。
• 仅为决策支持，不是法律建议：任何答案在被依赖之前，须由合格专业人士对照现行法律核实。
• 答案的质量取决于检索到的条文；可通过 retrieved_documents 审核每个答案。

数据处理

提示与补全在内存中处理，响应返回后不保留。依 PDPA 与 GDPR 取得同意并告知当事人，由作为数据控制者的您负责。权重在 Hugging Face，可在单张 24 GB GPU 上运行；教程可在您自己的机器上搭建同样的检索。