本次合同审查能力测评，旨在通过标准化测试流程，系统比较18款AI工具与2名人类在合同风险识别这一核心能力上的表现，助力法律从业者精准掌握当前AI在专业领域的真实水平与适用边界。

测试背景与目的

受限于个人时间精力，本轮测试仅聚焦于合同审核中的「风险识别与提示能力」。风险发现是合同审查的基础，若无法识别风险，后续修订将无从谈起。且风险识别结果只有“识别/未识别”两种状态，便于量化评比。

测试采用一份459字的买卖合同，预设十二个风险点，并设定交易背景：我方为甲方（强势地位），采购木制品，目前与多家厂家洽谈合作，先看货样再决定是否合作，标的额15万元。

评分规则：每个风险点识别得基础分1分，未识别则减分。根据风险点的识别难度及未识别的后果严重程度，进行加权处理。测评仅针对风险点识别率，不涉及修订建议适用性、易用度、价格、美观等因素。此外，目前仅测试了单个合同类型，结果可能受偶发性因素影响（如提示词适配度），后续将扩展更多合同类型。测评结果仅反映2025年8月11日时间节点各家AI的表现，随时间推移可能变化。

?声明

本次测评仅测试了AI对预设风险点的识别率，未评估识别风险后给出修订建议的适用性，因此仅体现AI审查能力的一个环节，不涉及易用度、价格、美观等因素。同时，截至目前仅进行了单个合同类型的审核测试，结果可能受偶发性因素影响（如提示词适配度），后续将扩展更多合同类型。测评结果仅反映2025年8月11日时间节点各家AI的表现，随时间推移可能变化。

合同风险查查查大赛

参赛选手情况

法律科技组（职业组）：法律科技合同审查专用产品，经专门工程化设计，直接上传测试合同，选择审查立场和地位，可输入交易背景。

• 案牍玛卡合同一大家子：基础推理模式（旧版/新版方案）；增强推理模式；对话模式
• 熊猫AI
• 法天使智能审查
• AlphaGPT
• WiselawAI 合同审查助理
• 元典Amicus 合同智审（测试）
• 通义法睿

（注：玛卡合同实际使用中可同时使用各推理模式及对话模式配合审核，但为公平公正，本次比赛中拆开分别参赛）

通用组：通用大模型或智能体，无特别法律科技领域工程化。比赛方式为输入通用审核提示词后上传测试合同，AI第一轮回复后，再输入一次“继续”。

国内选手：

• 豆包
• Kimi
• DeepSeek
• 通义Qwen3
• 天工智能体

外国选手：

• Genspark
• Grok
• GPT-5
• Gemini 2.5 Pro
• Claude 4 sonnet
• GPT-4O

使用的初始化提示词（通用组）：

角色
你是一个经验丰富的中国法务，你会严谨、认真、仔细的对用户上传的待审核合同内容进行逐条的审查。
背景
关于这个合同的交易背景：【我方是甲方，强势地位，采购木制品，目前在和几家厂家谈合作，想先看看货的样子来决定是否合作，标的15万元】
我需要你这样帮助我：
1.站在我方的审核立场上，帮我找出潜在的风险点，例如可能导致未来双方发生纠纷的缺陷、导致我方承担过高责任的约定或是合同本身约定的冲突、错别字。
2.请结合中国法律规定和本合同的交易背景，为我梳理风险。
3.请基于促进交易，保护我方利益的原则，为我提出修改建议。
输出格式
风险条款：<对应合同条款序号>
修改建议：<修改建议>
修改原因：<阐述条款风险点及修改原因>

人类组：告知背景正常审核，过程中不允许使用AI。主办方兼出题人兼裁判陶律师作为评价参考（默认满分，不进入排名）。

• 在校法学生（2周线上兼职审核经验）
• 应届毕业生（2年线上兼职审核经验）
• 执业律师（3.5年审核经验）

排行榜

经过多轮严格测试，最终加权评分结果如下：

AI能力与人类的对比

人类组表现：

以人类组表现作为排序标准，得到以下分档对应关系：

• 与3年执业律师同档水平：GPT-5
• 比3年执业律师弱一档：Gemini 2.5 Pro；案牍玛卡合同 增强推理
• 比2年兼职强一档：豆包、WiselawAI 合同审查助手、天工智能体、玛卡合同 基础推理（新版方案）、元典Amicus、玛卡合同 对话模式
• 与2年兼职同档水平：玛卡合同 基础推理（旧版方案）、Kimi K1.5、通义法睿
• 比2年兼职弱一档：DeepSeek R1、Genspark、Grok、AlphaGPT
• 比2周兼职强一档：通义千问、Claude 4 sonnet
• 与2周兼职同档水平：GPT-4O、熊猫AI、法天使 智能审查

但需注意，实际合同审核中并不只看完善度评分。合同主体信息不全、未查出合同法等问题影响较小，而对于「定金风险」这种核心风险，若未发现则大概率给客户带来经济损失。

本次提示了「定金风险」的选手：玛卡合同、法天使、WiselawAI、通义、天工、豆包、DeepSeek、Genspark、GPT-5、Gemini 2.5 Pro。

全满分通关的选手仅有一位：GPT-5（识别了全部12个风险点）。

总结

在简单合同的风险识别任务中，GPT-5在速度与全面性上已超越3.5年执业律师。案牍玛卡合同在国内产品中表现断层式领先（基础推理+对话模式效果约等于增强推理；增强推理+对话模式可比肩GPT-5）。豆包是专业级守门员，表现远强于DeepSeek。

小提示

1. 使用AI审查合同时，建议结合具体交易背景输入详细提示词（参考通用组所用提示词），并至少让AI回答两轮，以提高风险识别覆盖率。

2. 法律科技专用产品（如玛卡合同、WiselawAI）在工程化适配与风险点敏感性上优于通用模型，但通用大模型（如GPT-5）在综合推理能力上可能反超。可根据预算与场景灵活选择。

3. 对于核心风险（如定金、违约金、管辖条款），即使AI未提示，人类审查者也应特别关注，避免潜在经济损失。

常见问题

Q1：为什么这次只测试了风险识别能力？
风险识别是合同审查的基石，若连风险都无法发现，修改建议便无从谈起。且识别结果只有“有/无”两种状态，便于量化对比，避免主观判断干扰。后续将补充对修订建议质量、合同类型多样性等维度的测试。

Q2：测试结果是否代表这些AI工具在所有合同类型上都是这个水平？
不完全代表。本次仅测试了“买卖合同”这一单一类型，且预设了特定交易背景。不同合同类型（如服务合同、劳动合同、保密协议）中的风险点差异较大，AI的表现可能有显著变化。建议读者在自身常用合同类型上自行复现测试。

Q3：为什么通用组使用了相同的提示词，而法律科技组没有？
法律科技产品自带工程化界面，用户无需编写提示词，直接上传合同并选择立场即可。通用大模型需要人工构造提示词才能引导其进行专业审查。为公平起见，通用组统一使用经过优化的提示词，并让AI回复两次。

Q4：人类组的“执业律师”表现如何？为什么没有进入排行榜？
执业律师（3.5年经验）作为参考基准，其识别率视为满分（但未进入排名）。实际测试中，其识别了全部12个风险点中的11个（遗漏了一个非核心风险点），仅GPT-5实现了全满分。这表明顶尖AI在简单合同场景下已能超越资深人类。