法律AI实验室本阶段把问题收窄到一个可验证的环节：合同审查中的「条款级风险标注」。实务中律师看合同，先定位条款，再判断风险，最后说明依据；我们把这套动作拆成三步做实验。
- 切分与标注：以条款标题、编号层级与语义边界为线索做切分，再对切分单元打风险标签（权责失衡、付款条件不利、违约救济缺失等）。在实验室内部 300 份采购与服务类合同样本上，主要条款边界识别准确率约 92%，但附件与交叉引用条款仍是主要错误来源。
- 依据溯源：模型给出风险判断时，同步输出所引用的法条、司法解释条款或类案裁判要旨，并在界面标注置信度与「未找到依据」的情况。强制要求引用来源后，泛泛而谈的「提示性风险」明显减少。
下一步计划：扩充中文合同样本，并引入不同审查立场的标注（甲方／乙方），测试同一份合同在不同立场下风险排序是否可复现；同时把人工复核的修改意见回流为评估集，用来衡量模型的自我改错能力。以上数据来自实验室内部小样本实验，暂不作为对外结论。
评论