法律文本的长程依赖与版本时效，是通用大模型进入法务场景时最先暴露的两个短板。法律AI实验室本阶段围绕合同要素抽取与法条引用溯源做了一组实验性验证。
做法上把任务拆成三段：一是条款切分，先用版式特征（编号层级、缩进、字体）给出候选边界，再由模型在候选区间内判别条款类型，避免整篇输入导致的长文语义稀释；二是要素抽取，定义条款、责任限额、违约金比例、争议管辖等字段一律按「值 + 原文区间」成对输出；三是引用校验，模型给出的每条法条依据都要回链到法规库的具体版本与条文号，无法回链的直接降级为「待人工确认」。
进展：在内部约1200份采购与劳动合同构成的测试集上，条款边界切分F1约0.92；引入原文回链校验后，错误引用率从约7%降至2%以内，代价是平均处理时延增加约15%。下一步将接入法规版本时点比对，对签署后发生修订的引用条文给出时效提示，并验证中英双语合同的抽取一致性。
要点：
- 抽取结果强制携带原文区间，模型无法定位到出处即视为不可用，优先保证可核验而非覆盖率。
- 下一阶段重点从「抽得准」转向「跟着法规变」，把版本时效纳入评测指标。
评论