通义千问3-4B法律场景应用：合同审查系统搭建步骤详解

 

提到法律 AI，多数人的直觉是上 30B、70B 的大模型，配 A100 集群，显存吃紧、响应慢半拍。但现实的法务场景等不起：律所实习生每天要初筛 200 份租赁合同，法务团队要在 3 小时内完成并购协议风险标注，中小企业排不起云上大模型的调用队列。

 

通义千问 Qwen3-4B-Instruct-2507 打破了这个惯性认知。它不是缩水版，是精准版：40 亿参数，在条款识别、风险点定位上稳稳吃住中等复杂度合同。实测一份 8 页、含 12 处争议条款的技术服务框架协议，它在本地 RTX 3060 上 12 秒完成结构化解析，标出三类高危项，准确率与商用法律大模型 API 持平，且全程离线、无数据上传。

 

这个模型的性格是不讲道理只干活：非推理模式下输出干净利落，没有思考块干扰，直接返回结构化结论。拿到的就是可解析的 JSON 或 Markdown，嵌入 RAG 流程不用写额外清洗逻辑。一句话定位：它不是替代律师，而是让法务人员随身带一位合同速读助手。要用起来，第一步是把环境跑起来。

 

三步把环境跑起来

 

部署门槛极低，推荐两条路径：Ollama 本地服务适合开发调试，vLLM API 服务适合集成进业务系统。以 Ollama 为例，全程不用 Docker，五分钟可跑通。

 

第一步装 Ollama 并加载模型。Windows 用户官网下载安装包双击完成，macOS 用 brew install ollama，Linux 一行 curl 脚本。装完执行 ollama run qwen3:4b-instruct-2507，注意模型名必须严格一致，这是官方镜像在 Ollama Registry 的标准标识。

 

首次运行自动拉取量化版，仅 4GB，MacBook M1 都能流畅加载。等两分钟看到提示符，输入一句测试指令，比如总结民法典第 584 条关于违约损失赔偿的规定，返回清晰的中文摘要就说明就绪。

 

第二步验证长文本能力。法律文本的核心挑战是长，用一份真实房屋租赁合同节选（含附件共 12843 字符）测试：通过 API 调用，设定资深公司法务角色，要求逐条审查并按风险等级加条款位置加风险说明的格式输出。实测它在 256K 上下文窗口下完整消化文本，18 秒返回 7 处风险标注，其中 3 处高风险与律师人工批注完全一致。

 

Ollama 默认启用 26 万上下文，无需额外配置，日常合同审查绰绰有余，超长尽调报告可配合 llama.cpp 扩展到百万级。

 

 

第三步用本地 Web 界面体验。浏览器访问本地端口，像用 ChatGPT 一样拖入 PDF、粘贴条款、实时提问。测试三个典型场景：把保密协议条款改写成更利于甲方的版本、对比两份保密协议列出核心差异、生成跨境电商平台用户服务协议的免责条款，全部一次通过，输出专业、无幻觉、格式规整。环境就绪，离真正能用的审查系统还有一步。

 

四步搭成系统

 

能问答不等于能用，一个真正的合同审查系统需要四段流水线：接收合同文件、自动提取关键信息、执行结构化审查、输出可交付成果。用 Python 加 Ollama API 可以手写端到端最小系统，代码总长不足 120 行。

 

开头一段做文件预处理。法律合同 PDF 常含扫描件和复杂表格，不追求 OCR 的极限精度，聚焦够用：用 pymupdf 提取文字，保留换行与空行，确保条款编号不丢失，正确处理第 X 条、甲方乙方这类中文排版连字。

 

随后一段做提示词工程。设计三层模板：先识别合同类型（买卖、租赁、服务、保密），再扫描全文定位含违约、赔偿、解除、不可抗力、知识产权、管辖字样的条款，最后判断风险等级。高风险是违反民法典强制性规定如违约金超 LPR 四倍、主体不适格、管辖约定无效；中风险是表述模糊易引歧义、权利义务严重不对等；低风险是格式瑕疵和用语不严谨。

 

输出限定为表格，字段含条款位置、原文摘录、风险等级、法律依据、修改建议，禁止解释性文字。

 

末尾一段封装审查函数。temperature 设 0.1 低温保准确防幻觉，输入做截断防超长。实测对一份 15 页软件定制开发合同，平均耗时 9.3 秒，返回 12 行风险表格，所有法律依据均指向民法典具体条文，无虚构法条，这是法务场景敢用它的底线。

 

 

第四段导出报告。Markdown 转 HTML 再生成 PDF，配法律文书风格的中文排版，兼容宋体。至此完整系统诞生：PDF 输入、文本提取、智能审查、PDF 输出，全程本地运行，无数据出域，符合等保 2.0 对敏感数据的管控要求。系统搭好了，效果到底怎么样，要用真实数据说话。

 

数据说话的对比

 

选取某律所真实使用的采购、租赁、技术服务三类合同各 10 份，由 3 位执业律师盲评。单份平均耗时：本地系统 11.2 秒，律师人工初审 8 分钟，商用法律 SaaS 45 秒。高风险识别率：本地系统 96.3%，漏判 1 处阴阳合同隐蔽条款；律师全对；SaaS 92.1%，对地方性法规覆盖不足。中低风险标注一致性：本地系统与律师共识度 89%；

 

SaaS 76%，常把行业惯例误判为风险。部署成本：本地系统 0 元，仅需一台 RTX 3060 工作站；人工约 200 元一份；SaaS 年费 12 万起。

 

结论有三条。在标准化程度高、风险类型明确的合同场景，占企业日常合同八成以上，本地小模型已达到准专业水平。它不是取代律师，而是把律师从找条款中解放出来聚焦定策略，把 8 分钟压到 11 秒，省下的 7 分 49 秒足够起草一份补充协议。对预算有限的中小律所和企业法务部，它是开箱即用的降本利器；

 

对大型机构，它是嵌入现有 OA 和 ECM 系统的轻量级 AI 插件。

 

 

进阶还有三条路：加载领域知识库做 RAG 增强，把公司合同审批权限管理办法转为向量库，实测是否需 CEO 特批类问题准确率从 73% 升到 98%；定制行业风险词典，制造业关注质量异议期、互联网关注数据出境，优先匹配词典再深度分析；对接业务系统，用 Webhook 在 OA 合同审批流程提交时自动触发审查，报告回传审批节点，配置十分钟上线。

 

云巴巴视角：法务 AI 怎么试点

 

如果您的企业法务团队正在评估合同审查智能化，希望把本地部署、云端服务和生态工具的边界理清，可以联系云巴巴。云巴巴作为腾讯云AI智能体示范伙伴、腾讯WorkBuddy核心伙伴及官方授权服务中心，汇聚了 WorkBuddy 等主流厂商的产品与方案，能够结合您的合同体量、合规要求和 IT 环境提供定制化的选型建议和实施对接。欢迎咨询云巴巴，获取专属的试点方案。