前言
最近想要尝试搞合同审核的能力测评认证体系，本周统一测试了一下国内外18个AI工具、大模型、智能体，以及2个人类（在校实习生、律师助理）的合同审核能力。
受限于本人时间精力关系，本轮只测试了合同审核能力中的「风险识别和提示能力」，因为这项能力是合同审查的基础，如果不能发现风险，则之后的修订也将无从谈起。而且风险识别的测试结果只会有「识别/未识别」两种，方便量化评比。
测试使用一个买卖合同，459个字，预置有十二个风险点，并预设交易背景：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。
AI/人类识别出一个风险点即可加分，未识别则减分，基础分1分，而根据这十二个风险点的识别难度和未识别的后果严重程度，会进行一定的加权处理。
以下是本轮测试结果和分析，扫描二维码可登录Lawgeek知识库，上面有测试合同、相关全部测试记录和审查结果的原始文档链接，欢迎读者朋友复现或检验。
🚨声明
注意本次测评只测试了AI对于预设风险点的识别率，未对识别风险后给出的修订建议是否适用等问题进行测试，因此只能体现AI审查能力的其中一个环节切片，不涉及其他易用度、价格、美观等因素。同时截至目前，只进行了单个合同类型的审核测试，因此目前的测试结果可能受到一定偶发性因素影响（如提示词适配度等），后续会再进行更多合同类型的审核测试。同时，本测评只是当下时间节点「2025年8月11日」的各家AI工具测评结果，考虑到目前AI发展变化速率，相关测评结果对于现实情况的反映程度将随时间推移而滑落。
合同风险查查查大赛
参赛选手情况
法律科技组
本组选手为专门的法律科技合同审查产品，一般都经过专门工程化设计，可以称为职业组。比赛方式为直接上传测试合同，选择审查立场和地位，如有输入交易背景的选项，则输入预设交易背景；
选手具体包括：
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，但为公平公正考虑，本次比赛中拆开分别参赛）
通用组
本组选手为通用的大模型或智能体，无特别法律科技领域工程化，为通用组。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”。
选手包括：
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-40
初始化提示词：
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
本组选手都是人类，比赛方式为告知背景正常审核，过程中不允许使用AI。
本次比赛主办方兼出题人兼裁判陶律师也会作为评价参考，默认满分，但不进入排名。
选手包括：
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
经过激烈角逐，测试结果：
排行榜（加权评分）
AI能力与人类的对比
本次测评中，人类组的表现为：
以人类组的表现作为排序标准，可得：
和3年执业同一档：GPT-5
比3年执业弱一档：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
和2年兼职同一档：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：DeepSeekR1、Genspark、Grok、AlphaGPT
比2周兼职强一档：通义千问、Claude 4 sonnet
和2周兼职同一档：GPT-4O、熊猫AI、法天使 智能审查
但还是需注意，实际合同审核中并不看完善度的评分，合同主体信息不全、没查出来合同法其实不会真的有太大影响，而对于「定金风险」这种核心风险，如果没发现则真的大概率可能给客户带来经济损失。
本次提示了定金风险的选手有：玛卡合同、法天使、WiselawAI、通义、天工、豆包、DeepSeek、Genspark、GPT-5、Gemini 2.5 Pro；
全满分通关的选手只有一位：GPT-5
总结
简单合同的风险识别中GPT-5已经想的比3.5年的执业律师更快更周全，案牍玛卡合同在国内产品中断档式领先（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，比DeepSeek强很多。
