AI合同偏离条款审查定制：基准库与风险分级

在合同审查场景中，把「找不同」和「判风险」拆成两步，比让模型直接输出审查意见更可控。

我们的做法是：先为每类合同建立基准条款库，按付款、违约、知识产权、争议解决等类型切分为可比单元；再用语义对齐模型把待审合同与基准条款配对，输出「缺失 / 新增 / 实质偏离 / 表述差异」四类标签。只有被标为实质偏离的条款才进入风险判定环节，由规则与模型双层打分，并保留原文片段与基准来源以便回溯，避免结论无法落回原文。

阶段性进展：

• 在 200 份采购与技术服务合同的内部测试中，条款配对准确率约 92%，四类标签与法务标注的一致率约 85%；将实质性偏离优先呈现后，法务初筛耗时下降约四成。
• 误差集中在「表述差异」与「实质偏离」的边界，以及跨条款联动风险（如付款条件与验收标准相互牵制）。下一步计划引入条款依赖图，把单点偏离升级为组合风险提示，并补充法条时效性校验。