GLM-Legal vs TwIL-LM3-Pro: Gerbangnya adalah Lisensi di Satu Sisi dan Formulir di Sisi Lain

Agen hukum yang ada sebagai skor benchmark dan formulir aplikasi, dibandingkan dengan model logika formal yang dapat Anda unduh sore ini dan hampir tidak dapat diterapkan di mana pun. GLM-Legal dan TwIL-LM3-Pro keduanya adalah spesialis sempit yang dirilis berselang beberapa minggu — satu dibangun oleh Z.ai di atas GLM-5.3-Flash untuk peninjauan kontrak, analisis bukti, dan kepatuhan, yang lainnya adalah model penalaran 3,66B parameter dari webAI yang dibangun untuk logika formal dan diturunkan dari granite-4.2-3b milik IBM. Keduanya bukan pesaing untuk posisi yang sama, dan halaman ini tidak akan berpura-pura sebaliknya. Yang membuat keduanya layak disandingkan adalah bahwa keduanya merupakan dua bentuk berbeda yang diambil model terspesialisasi pada 2026, dan setiap bentuk memiliki caranya sendiri untuk menjadi tidak tersedia: TwIL-LM3-Pro dirilis di bawah lisensi yang melarang penggunaan komersial, dan GLM-Legal dirilis di balik pendaftaran beta tanpa lisensi, harga, atau endpoint yang dipublikasikan sama sekali.

Jika Anda sampai di sini untuk memutuskan mana yang akan diadopsi, jawaban singkatnya adalah bahwa yang satu adalah file yang tidak dapat Anda gunakan secara legal dan yang lainnya adalah layanan yang belum dapat Anda beli. Jawaban yang lebih panjang adalah tentang manakah dari kedua masalah itu yang sebenarnya dapat diselesaikan kuartal ini.

Spesifikasinya, dan apa yang dikecualikannya

Perbedaan parameternya cukup besar sehingga mengubah peruntukan masing-masing model, jadi ada baiknya menuliskan angka-angkanya sebelum berargumentasi:

• Ukuran dan bentuk — GLM-Legal adalah turunan dari model fondasi multimodal dengan total 320B dan 18B aktif; TwIL-LM3-Pro adalah decoder dense 3,66B, tepatnya 3.659.737.600 parameter, 40 lapisan, dan berjalan dalam bf16 pada 6,82 GiB atau sebagai Q4_K_M GGUF pada 2,09 GiB.

• Konteks — GLM-Legal mewarisi jendela token 1M milik GLM-5.3-Flash; TwIL-LM3-Pro membawa 131,072 token dari granite-4.2-3b tanpa perubahan.

• Apa yang digunakan untuk melatihnya — korpus hukum pada tahap mid-training plus RL di puluhan ribu lingkungan hukum yang realistis vs fine-tune supervised LoRA rank-64 pada korpus logika formal sintetis, distilasi multipath, fusi checkpoint, dan tahap GRPO berbobot entropi terhadap verifier programatik.

• Modality — GLM-Legal's base takes text, image and video in; TwIL-LM3-Pro is text in, text out, with a <think>…</think> block before the answer.

• Distribusi — formulir aplikasi untuk akses API vs checkpoint Hugging Face, build LiteRT-LM di perangkat, dan pengaturan enterprise.

• Benchmark yang dipublikasikan — satu angka yang semuanya lulus pada harness pihak ketiga, plus dua klaim paritas yang tidak terkuantifikasi, vs serangkaian angka terperinci yang dijalankan vendor pada harness buatan vendor yang kartu model itu sendiri menggambarkan sebagai tidak konklusif di beberapa tempat.

Dua baris di bagian bawah itu adalah yang menentukan semua hal lainnya. Baca dulu baris deployment: GLM-Legal tidak memiliki endpoint publik dan TwIL-LM3-Pro tidak memiliki lisensi komersial. Semua hal lain dalam perbandingan ini merupakan turunan dari itu.

Membaca angka-angka TwIL-LM3-Pro seperti yang dilakukan kartunya sendiri

webAI menerbitkan materi evaluasi yang blak-blakan secara tidak biasa, dan hal paling berguna di dalamnya adalah sebuah kalimat yang akan dihapus dari halaman pemasaran. Pada gerbang makro — 0,5539 versus 0,5336 milik Qwen3-8B — kartu tersebut menulis bahwa keunggulannya adalah 0,020, "lebih kecil daripada noise sampling pada n = 200 per jalur," dan memberi tahu pembaca untuk menilainya sebagai paritas, bukan sebagai kemenangan.

Ketika model tersebut memang terpisah dari Qwen3-8B, selisihnya nyata dan terukur:

• Strict-7 — 0,2879 versus 0,2093, sebuah baris yang tidak menggunakan kredit kecocokan longgar di mana pun sehingga tidak mungkin dihasilkan oleh keberuntungan pemformatan.

• Strict MCQ — 0.4100 dibanding 0.0000, celah jalur terlebar di antara sebelas baris yang dilaporkan.

• Kesesuaian korpus — perplexity model bahasa terendah di antara semua arm pada 2,3130, dibandingkan dengan 2,5478.

• Rangkaian held-out — model ini tidak memimpinnya. Makro sepuluh dataset adalah 0.7901, secara statistik sejajar dengan basisnya sendiri pada 0.7942 dan tertinggal dari Qwen3-8B pada 0.8493.

• Di dalam spesialisasi — pencocokan persis terjemahan FOL berada pada 0,0100 dan pencocokan persis parse semantik pada 0,0000, keduanya diungkapkan oleh vendor.

Itulah gambaran seorang spesialis sempit ketika didokumentasikan secara jujur: kuat pada jalur tepat yang menjadi tujuan pembuatannya, setara atau tertinggal dalam penalaran umum, dan lemah pada dua format keluaran tertentu. Itu juga alasan lisensi menjadi begitu penting. Model sespesifik ini hanya punya satu tugas, dan jika tugas itu bersifat komersial, lisensi memblokirnya sepenuhnya.

Membaca angka-angka GLM-Legal dengan kecurigaan yang sama

Rilis Z.ai dibuka dengan capaian all-pass 19,2% pada Harvey LAB, evaluasi alur kerja firma hukum di 24 bidang praktik, dan peningkatan 12,5 poin persentase dibandingkan GLM-5.3-Flash. Keduanya adalah angka milik vendor sendiri. Angka kedua menyiratkan tingkat all-pass model dasar sekitar 6,7%, yang menunjukkan betapa kerasnya standar all-pass: sebuah tugas baru dihitung jika setiap langkahnya berhasil, sehingga angka absolut yang rendah adalah hasil yang wajar dari penilaian yang ketat, bukan bukti model yang lemah.

Dua tolok ukur utama lainnya tidak memuat angka. LegalBench — penguraian kontrak, berkas merger, opini yudisial — digambarkan menyamai "presisi model-model frontier closed-source papan atas." PLawBench, rangkaian praktik Tiongkok, digambarkan mencapai "kesetaraan dengan sistem-sistem frontier terkemuka." Tidak satu pun klaim itu menyebutkan pembanding atau menyertakan skor. Jika diterapkan pada kartu TwIL-LM3-Pro, standar yang sama menanyakan seberapa baik model hukum itu tampil di jalur ketepatan format, dan tidak ada jawabannya, karena belum ada yang menerbitkannya.

Satu-satunya hal yang diterbitkan GLM-Legal yang tidak diterbitkan TwIL-LM3-Pro adalah demonstrasi bahwa spesialisasinya bekerja. Dalam sengketa proyek 40 dokumen, GLM-5.3-Flash menemukan kontradiksi antara laporan klien yang 60% lengkap dan snapshot internal 41% dan mengatakan dokumen-dokumen itu mungkin mendukung posisi klien. GLM-Legal menghubungkan peringatan internal sebelumnya, snapshot itu, dan instruksi untuk menyembunyikan risiko serta terus menagih menjadi satu teori penyembunyian, lalu mengutip klausul perjanjian bahwa pembayaran tidak menghapus hak dan menyebutkan elemen klaim yang masih perlu diuji. Apakah itu dapat digeneralisasi tidak diketahui. Bahwa itu adalah perilaku yang berbeda secara material dari basisnya sudah terlihat.

Jawaban jujur untuk "bisakah saya menggunakan ini di produksi"

Kedua jawabannya adalah tidak, dan kedua tidak tersebut memiliki tanggal kedaluwarsa yang berbeda.

Penghalang TwIL-LM3-Pro adalah lisensi, dan lisensi berubah dengan sebuah keputusan. Checkpoint tersebut berada di Hugging Face di bawah ketentuan non-komersial milik webAI sendiri; pemberian lisensi ulang atau build LiteRT-LM berlisensi komersial akan memindahkan model dari artefak riset menjadi komponen yang dapat diterapkan dalam satu sore. Build on-device yang muncul pada 1 Oktober membawa pembatasan repositori induk, yang merupakan hal yang perlu diverifikasi sebelum merencanakan berdasarkan hal itu.

Penghalang GLM-Legal adalah sebuah program, dan program berubah sesuai kontrak. Akses diperoleh melalui aplikasi yang ditujukan untuk firma hukum, perusahaan legal-tech, tim in-house, dan praktisi independen, tanpa harga yang dipublikasikan dan tanpa endpoint publik. Integrasi AutoClaw ditulis dalam bentuk waktu mendatang. Untuk deployment yang diatur regulasi, ini adalah masalah yang lebih sulit daripada lisensi yang membatasi, karena Anda tidak dapat membangun di atas sesuatu yang tidak dapat Anda panggil.

Ada juga pertanyaan data yang tidak dijawab oleh kedua rilis. webAI mengatakan keluarga model ini melewati setengah juta unduhan dalam sebulan — angka dari vendor, tidak diaudit — dan unduhan checkpoint gratis non-komersial bukan proksi untuk penggunaan produksi. Ketentuan beta GLM-Legal tidak dipublikasikan, yang berbeda dari tidak dapat diterima dan identik dengan tidak dapat dinilai oleh komite risiko.

Apa yang harus dibangun saat kedua gerbang tertutup

Langkah praktisnya adalah memisahkan spesialis dari pipeline, karena pipeline itulah yang sebenarnya akan Anda miliki. Saat ini, tidak ada spesialis yang dapat dirutekan ke mana pun; yang dapat dirutekan adalah generalis di bawah GLM-Legal dan langkah-langkah di sekitarnya.

GLM 5.3 Flash ada di katalog OrcaRouter pada harga daftar Z.ai dengan markup 0% — $0,15 per juta token input dan $0,50 per juta token output, pembacaan cache sebesar $0,030 — jadi perubahan harga vendor pada model dasar langsung berlaku di sisi kami pada hari yang sama. Satu kunci menjangkau lebih dari 200 model, yang memungkinkan tim legal engineering membuat prototipe langkah penyusunan draf, templating, dan checklist pada model dasar sekarang dan mengubah satu id model saat beta dibuka. Failover otomatis membuat pembuatan prototipe itu aman: rute staging dapat menunjuk ke model yang belum dievaluasi secara independen oleh siapa pun tanpa menempatkan jalur produksi di belakangnya.

Untuk separuh logika-formal dari gambaran ini, checkpoint lokal dan generalis yang dihosting adalah pelengkap, bukan pengganti, dan fusi model adalah mekanisme yang membuat itu konkret — sebuah panel model yang menjawab bersama, sehingga runner kecil yang melakukan entailmen ketat atau formalisasi pernyataan Lean dapat berdampingan dengan model yang dihosting yang mengerjakan prosa di sekitarnya. Pemisahan yang disarankan oleh angka webAI sendiri adalah yang sudah jelas: jalankan model lokal ketika hasil yang diserahkan berupa label, dan rutekan segala hal yang harus kembali sebagai tulisan.

Satu hal yang tidak boleh dilakukan adalah menganggap salah satu dari ini sebagai keputusan. TwIL-LM3-Pro adalah unduhan 2,09 GiB yang tidak membutuhkan biaya untuk dievaluasi dan tidak membutuhkan biaya untuk ditinggalkan. GLM-Legal adalah formulir, dan mengisinya lebih awal akan menghabiskan satu sore Anda.

Yang mana, jika itu memang benar-benar salah satu atau yang lain

Keduanya tidak cukup tumpang tindih agar satu jawaban bisa berguna, jadi versi jujurnya bersifat kondisional. Jika masalah Anda adalah pelabelan entailment, formalisasi pernyataan Lean, parsing semantik, atau proses air-gapped yang keluarannya berupa label, bukan prosa, TwIL-LM3-Pro adalah yang lebih cocok di antara keduanya dan lisensinya adalah satu-satunya hambatan nyata Anda. Jika masalah Anda adalah penyusunan draf sesuai spesifikasi, kepatuhan statutori di berbagai rezim yang disebutkan, atau analisis bernalar atas kumpulan dokumen yang sudah Anda miliki, GLM-Legal ditujukan untuk itu dan TwIL-LM3-Pro sama sekali belum menerbitkan bukti hukum.

Persamaan keduanya adalah tidak ada vendor yang memasang harga pada produk khusus itu, dan keduanya menilai hasil utama mereka terhadap model dasar mereka sendiri pada harness mereka sendiri. Itu bukan alasan untuk mengabaikan salah satu rilis — 19,2% GLM-Legal kredibel justru karena penilaiannya ketat, dan kartu TwIL-LM3-Pro cukup jujur untuk mencetak hasil nullnya sendiri. Itu adalah alasan untuk merencanakan integrasi di sekitar model yang dapat Anda panggil hari ini dan memperlakukan keduanya sebagai peningkatan yang Anda adopsi saat gerbang terbuka, bukan sebagai fondasi yang Anda bangun di atasnya.

Gerbang pada TwIL-LM3-Pro adalah teks hukum, dan teks hukum adalah satu-satunya hal dalam perbandingan ini yang dapat diubah oleh vendor tanpa merilis apa pun. Gerbang pada GLM-Legal adalah keputusan bisnis tentang kapan sebuah beta menjadi produk. Dari keduanya, perhatikan lisensinya — itulah yang bisa berubah tanpa peringatan.

fusi model adalah mekanisme yang membuatnya konkret — panel model yang menjawab bersama, sehingga runner kecil yang melakukan entailment ketat atau formalisasi pernyataan Lean dapat berdampingan dengan model yang dihosting yang mengerjakan prosa di sekitarnya.