夜雨聆风假设你住在美国某个小镇，想知道自家后院能不能搭个鸡舍，或者能不能骑一辆ATV上街。
答案写在你所在城市的地方法规里。这些法规在法律上完全公开。但你想找到它？祝你好运——它可能藏在某个90年代风格的政府网站里，以动态生成的PDF格式存在，被一个名叫 Municode 的商业平台锁在付费墙后面。
美国有超过3000个县、数万个市政体。每一个都有自己的法规。格式五花八门，托管平台各不相同，几乎没有任何统一的方式去大规模检索、比较或分析它们。
直到两个研究者决定：够了，我们自己来。
一条推文，117万人围观
2026年6月19日，NLP研究者 Joe Barrow 在 X 上发了一条帖子，开头就直击要害：
"New paper: every law in America is technically public. But not really, until now!"
「新论文：美国的每一条法律在技术上都是公开的。但说实话，直到现在才算真正公开！」
▲ Joe Barrow 宣布 LOCUS 项目上线——117万浏览，6800个赞
这条帖子迅速获得超过 117万次浏览、6800个赞和1400次转发。Barrow 与 UC Berkeley 的 Denis Peskoff 合作，构建了一个名为 LOCUS（Local Ordinance Corpus for the United States）的数据集，包含约 221万条法律文本片段，覆盖美国 9239个市县。
配套的论文已上传 arXiv，数据集在 Hugging Face 完全开放下载。
这个项目的意义，已经超出了一般学术数据集的范围。
碎片帝国：美国地方法规的荒蛮西部
要理解这件事为什么重要，得先看看美国法律体系的分层结构。
联邦法和州法早已被法律AI数据集反复收录——Pile of Law、LegalBench、Caselaw Access Project 这些知名项目都聚焦在上层。但地方条例呢？它们管的恰恰是你日常生活的一切：分区规划、住房标准、噪音管制、商业许可、建筑规范，甚至你家门口能不能摆个广告牌。
对于绝大多数人来说，真正决定你能干什么、不能干什么的，往往是市或县这一层的规定。
问题在于，这些法规以一种近乎混乱的状态存在。主要托管商包括 Municode（CivicPlus）、American Legal Publishing、General Code 等。它们的设计目标是让人类一条一条地浏览——搜索框、目录树、按州选城市，一个个点进去看。
▲ 典型的商业法规平台——按州选城市，逐条浏览，想批量下载？没门
Lexis 和 Westlaw 提供付费模块，价格昂贵，学术研究者和独立开发者根本用不起。乔治城大学法学院图书馆曾明确指出："没有单一来源能找到所有市政代码的综合集合。"
结果就是：法律上"人人可得"，实际上"谁也拿不到"。
700万页，从混乱到秩序
Barrow 和 Peskoff 面对的第一个问题就是：格式。
9000多个市县的法规，有的是 HTML 表格，有的是扫描的老旧 PDF，有的是供应商专有平台动态生成的页面。怎么把它们统一成机器可读的文本？
Barrow 在线程里给出自己的判断：
"How do you build such a dataset when all the laws come in heterogeneous formats? To me the obvious answer is: OCR it all!"
「当所有法律都是异构格式时，怎么构建数据集？对我来说答案很明显：全部 OCR！」
▲ 面对各种异构格式（双栏扫描件、动态PDF），团队选择 LightOnOCR 统一处理
他们选用了 LightOnOCR-2-1B——一个只有10亿参数的视觉语言模型，基于 Qwen-3 架构，在1600万页 PDF 上微调过。这个模型能直接从页面图像生成 Markdown 格式文本，面对单栏、双栏、born-digital 和扫描件混合的情况都能稳定输出。
整个 pipeline 长这样：
收集 → 针对不同供应商平台编写自定义浏览器自动化脚本，处理反爬、PDF 组装限制、文件名冲突等各种边缘情况。
OCR 统一 → LightOnOCR 把所有页面转成 Markdown。
后处理 → 清理页眉页脚、合并跨页内容、按章节标题分割成独立法律单元。
标注 → 用 GPT-5.4-nano 对10万样本做零样本标注，然后训练 ModernBERT 分类器（约1亿参数）进行大规模推理。每条法律被标上功能（Rules/Enforcement/Structural/Context/Process）和主题（Buildings/Business/Zoning/Nuisance/Other）。
维度评分 → 受 Havelock.ai 启发，用成对 LLM 比较 + TrueSkill 算法，在四个维度上对每条法律打分。再用 ModernBERT 回归器拟合，测试 Pearson 相关性达到 0.82–0.94。
那么这一切花了多少钱？
▲ 45块 RTX-PRO-6000 同时跑，700万页处理成本约 0.30 美元/千页——AWS Textract 要 1.50 美元
Modal 提供了计算资助。全部700万页的处理成本约 0.30 美元/千页，而 AWS Textract 的报价是 1.50 美元/千页——便宜了整整5倍。
45 块 RTX-PRO-6000 GPU 同时运转，CPU 并行渲染。Barrow 在帖子里用了一个词来形容：brrr。
数据说了什么？佛罗里达，你得好好反省
有了220万条法律，LOCUS 团队做了一件前人从未做过的事：在国家尺度上量化分析地方法规的"性格"。
他们设计了四个评分维度：
- Opacity（模糊性）
：普通人读懂这条法律有多难？术语堆砌、句式复杂、结构混乱的得高分。 - Paternalism（家长主义）
：这条法律是在保护你免于自我伤害，还是保护公共利益？限制未成年人行为的条例往往得分最高。 - Enforcement Discretion（执法自由裁量）
：执法人员在执行时有多大的选择空间？ - Problem Salience（问题显著性）
：这条法律被呈现为多么紧迫、多么有威胁性？
▲ Opacity（模糊性）热力图——颜色越深红，法律越让人读不懂。佛罗里达和加州深红一片
结果揭示了一些惊人的区域差异。
佛罗里达的法规模糊度是其他州的数倍。 Barrow 在线程中直接开骂：
"California and Florida, you need to get your shit together so people can actually understand your laws!"
「加州和佛罗里达，你们能不能把法律写清楚点，让人能看懂！」
其他发现同样耐人寻味：
县级法规平均比城市法规更模糊——因为县往往管辖广阔的非建制领土，法律要覆盖更多元的情况。城市的法规更多涉及滋扰与公共秩序（毕竟人口密度高，邻里纠纷多），县则更多关注土地使用和分区规划。
东北部是个例外：那里的县级法规更侧重执法导向，这与美国东北部独特的制度历史有关。
俄亥俄和西弗吉尼亚在"如何管理居民日常生活"上呈现出独特的模式——家长主义评分偏高。
法规在代码文件中的位置也有规律：总则和政府结构排最前面，随后是商业规定、滋扰条例、分区规划，最后才是建筑法规。
这些模式以前从未在全国尺度上被发现过。
数据集已上线，随时可用
LOCUS-v1 已经完全开放。
▲ Hugging Face 上的 LOCUS-v1——221万行数据，1.77GB，79个赞，直接下载 Parquet 格式
数据集在 Hugging Face 以 LocalLaws/LOCUS-v1 的名字发布，每一行包含法律标题、正文、功能标签、主题标签、地理元数据（州、城市、县、辖区类型），以及四个维度的评分。
配套发布的还有 7 个 ModernBERT 模型：4个评分器（Opacity、Paternalism、Enforcement Discretion、Problem Salience）和3个分类器（Function、Topic、Substantive）。
县域协调访问层覆盖美国 2309个最大县，按人口计算惠及约 94% 的美国居民。
讨论区变成了小型学术论坛
帖子下面的回复区异常热闹。
有人立刻表示要用它来构建分区代码问答系统。有人计划用来做合规自动化。一个叫 Silas Reed 的开发者分享了自己对 4281 个 Municode 市政体的索引项目，承认 LOCUS 在覆盖广度上远超他的工作。
也有人提出了尖锐问题。用户 @aeswins 问：能否检测跨辖区高度相似的法规表述，以此追踪全国性游说团体"复制粘贴"的模型立法？Barrow 回应说还没做，但这确实是个极好的研究方向。
新鲜度是另一个被反复提到的问题。法规在不断修订，一个静态快照很快就会过时。社区已经在讨论增量更新机制和变更追踪方案。
Barrow 自己也坦诚了局限：v1 只发布了收集数据的大约三分之一；有些市政体根本没有在线版法规；县域协调层是一种简化代理，无法解决所有管辖权交叉的复杂情况。
但没有人因此否定这件事的价值。一位用户的评价简洁有力："A badly needed service to the public."
当"公开"终于有了实际意义
美国法律有句老话："Ignorance of the law is no defense."——不知道法律不能作为辩护理由。
但当你面对的是分散在数万个平台上、以数十种格式存在的220万条地方法规时，这句话就显得格外讽刺。
LOCUS 项目做的事情，本质上就是把"理论上的公开"变成了"实际上的可用"。两个研究者，一套 OCR pipeline，一批开源模型，加上 Modal 赞助的 GPU 算力——就完成了美国法律系统几十年来没能做到的事情。
数据已开放，论文已发表，模型已上线。剩下的事情——实时更新、多层级推理、书本上的法律与实际执行的对齐——留给了整个社区。
这只是起点。但对于美国220万条沉睡在各个角落的地方法规来说，第一道阳光已经照进来了。
