GLM-Legal 対 Astra for Law：法務モデルを構築する2つの方法、そしてあなたにAPIを販売するのはそのうち1つだけ

過去1か月にリリースされた最も興味深い法律モデル2つは、同じ問題を正反対の手段で解決している。 GLM-Legalは重みレベルの特化だ——Z.aiはGLM-5.3-Flashに法律分野の中間トレーニングと強化学習を施し、実務家のように振る舞うようにした。 Astra for Lawは構成によるアプローチだ——ベンダーはGPT-6 Astraをそのままにし、2億3000万件のURLからなる米国判例法インデックスと一連の法律向け指示をその前面に取り付けた。一方は間違った書庫を持つ、より賢い弁護士。もう一方は並外れた書庫を持つ、普通の弁護士だ。どちらを選ぶかは、自分の問題が推論なのか検索なのかにほぼ全面的に左右される。そしてこの2つのリリースは、並べて比較することのできないベンチマークで評価されている。

その最後の点が、この比較が見出しから受ける印象よりも難しい理由であり、それゆえまず最初に片付けておく価値がある。

なぜこの記事には、それらを直接比較する数値が一つもないのか

GLM-Legalの見出し数値は、Harvey LABにおけるオールパス率19.2%です。Astra for Lawのそれは、非公開の米国法律リサーチ検証セットにおける総合正解率54.0%です。誰でも54を19.2で割って、設定されたバージョンがほぼ3倍優れていると結論できます。その計算は無意味であり、その理由はまさに次のとおりです：

• 何が評価されているか — 24の実務分野にわたるエンドツーエンドの法律事務所ワークフロータスクにおけるGLM-Legalと、米国の法律リサーチ設問におけるAstra for Lawの比較。同じタスクの異なる難易度設定ではなく、異なるタスクファミリーです。

• 採点の厳格さ — Harvey LAB は全ステップ合格方式です。すべてのステップが成功して初めて、そのタスクは達成と見なされます。Astra の数値は総合正解率であり、部分点を集計したものです。全ステップ合格方式の採点は、同じモデルであっても機械的に低い数値になります。したがって、19.2% という全ステップ合格率は、部分点を与えるあらゆる割合と比較できるものではありません。

• ベースライン — Z.aiはGLM-LegalをGLM-5.3-Flashと比較し、12.5ポイントの向上を報告している。GPTの開発元はAstra for Lawを、通常のウェブ検索を用いるGPT-6 Astraと比較しており、38.7%から54.0%へと向上している。そして、そのほぼすべての効果を検索が担っている。どちらも自社のベースモデルに対する差分の主張であり、互いに対するものではない。

• 管轄 — 法的有効性は管轄区域に縛られており、どちらのハーネスも相手方の領域をカバーしていない。Harvey LABとAstra検証セットは米国中心であり、GLM-Legalの2番目のベンチマークであるPLawBenchは中国語である。あるモデルは一方で優れ、もう一方では役に立たなくても、両リリースの数値では高いスコアを出せてしまう。

• 独立性 — どちらの側もゼロ。第三者が GLM-Legal で Harvey LAB を再実行した例はなく、54.0% が測定された分割をベンダー以外の誰も管理していない。

この領域に踏み込んだ唯一の公開リーダーボードは Vals AI の Legal Research Bench であり、そこでは Astra for Law が正解率 9.4% と採点され、名前の公表されていないフロンティアモデルの 22.5% と対比されている——厳格な採点ルーブリックがベンダーが選んだ分割に取って代わるにつれて、このカテゴリの主要な数値は上がるどころか下がる傾向にあることを思い起こさせる。それは Astra for Law に対する評決ではない。この比較におけるあらゆる数値を確定値として扱わないための理由である。

それぞれが実際に何をするために作られているのか

アーキテクチャの違いは机上の空論ではない——それは各モデルが何を得意とできるかを決めるものだ。

• GLM-Legal — モデルが変わりました。 学習の途中で法務コーパスを投入し、その後は Z.ai が「数万規模」と表現する現実的な法務環境での RL を実施。エージェントハーネスも重みとともに共進化しています。届けられるのはライブラリではなく、推論です。

• Astra for Law — モデル自体は変わっていない。同じGPT-6 Astraの重みに、米国の判例法、制定法、規制を対象とする検索レイヤーと、法律に特化した指示を追加したもの。出荷されるのはライブラリであり、より優れた弁護士ではない。

• GLM-Legalのエビデンス — 自社のベースモデルとの横並び比較。同じプロンプトに対して、GLM-5.3-Flashはそつなく一般的な助言を提供する。一方、GLM-Legalは数値を詰める — 便宜上の解除通知を60日から30日に短縮し、IPおよび機密保持違反に対する治癒期間を削除し、対価が支払われたかどうかにかかわらず成果物の返還を義務付け、プロバイダーの料率で最大90日間の移行支援を追加する。

• Astra for Lawのエビデンス — 検索の差分。総合的な正確性は54.0%対38.7%、参照ケースの検出は24%増、正しい意見から取得される関連パッセージは最大54%増、回答の長さはおよそ2倍。ベンダー自身の数値であり、他の誰も実行できない分割でのもの。

• デモの正直なまとめ — ベースモデルは事実を見つけ、特化モデルは論を組み立てる。 Z.aiの証拠分析の例では、GLM-5.3-Flashが60%完了のクライアント報告書と41%の社内スナップショットの間の矛盾を指摘し、これらの文書はクライアントの立場を「支持する可能性がある」と述べる。GLM-Legalは、以前の社内警告、スナップショット、リスクを抑制する指示を単一の隠蔽理論に結びつけ、まだ検証すべき請求の要素を挙げる。

併せて読むと、これら二つの証拠基盤は明確な役割分担を描き出している。GLM-Legal は判断力を売りにし、Astra for Law は事件を見落とさないことを売りにしている。

それぞれがあなたを裏切りそうなのはどんなところか

両方のリリースは自らの弱点を記録しており、それはほとんどのローンチにはできないことだが、故障モードは鏡像の関係にある。

Astra for Lawの最も示唆に富む結果は、ローンチ自体ではなく第三者テストからもたらされた。米国以外の法域では、法務AI企業HAQQがテストした3つのモデルがいずれも正しい条項を引用しながら、その記載内容を誤って述べていた——Astraはそれらの項目の66.7%で法的に正確だったのに対し、Claude Opus 5は100%だった。引用チェッカーはそれらの回答を合格にする。引用が実在し、かつ正確だからだ。依頼者は合格しない。これは、Legal Search Indexが構造上もっとも修正しにくい種類の失敗である。同インデックスは米国限定であり、誤りは検索ではなく読解にある。

GLM-Legal の弱点は逆方向にある。中国語圏および複数法域の制定法実務に最適化されており――コンプライアンスのデモでは、シンガポール、マレーシア、インドネシアのプライバシー義務を条文レベルの引用付きで解決する――米国の判例法索引に相当するものは備えていない。米国のリサーチにおいて、2億3,000万件の判例 URL を見つけ出すアーキテクチャは、GLM-Legal が単純に行わないことを行っている。公表されている強みは、ドラフト作成、証拠の紐付け、ルーブリック採点による文書作業であり、公表されているエビデンスには検索に関する主張が一切含まれていない。

どちらのベンダーも、法律事務所の法務責任者が真っ先に求めるガバナンス関連書類を公表していない。Astra for Lawは、APIにおけるZero Data Retentionと、ChatGPT Enterpriseの利用がデフォルトで人的レビューから除外されることを伴って登場するが、その適用範囲は組織ごとに付与され、プログラムは招待制である。GLM-Legalのベータ版規約は一切公表されていない。これは受け入れ不可であることと同じではない — 単に文書化されていないだけであり、文書化されていないものはリスク委員会に持ち込めない。

どちらかを試せることと、その費用

どちらの法的構成も公開の料金表には記載されていません。

• Astra for Law — トラステッドアクセス、招待制で大規模事務所向け。法務向け構成の価格は非公開。APIモデルIDは近日公開と説明されている。

• GLM-Legal — 法律事務所、リーガルテック企業、社内法務チーム、個人開業の実務家を対象としたベータ版アプリケーション。価格は未公表。公開エンドポイントはなし。

• ただし、基盤となるモデルはどちらも稼働中です。GPT-6 Astraは、105万トークンのコンテキストで、100万入力トークンあたり10ドル、100万出力トークンあたり50ドルです。入力トークンが272,000を超える場合は長コンテキスト向けの価格改定があり、法務文書セットは日常的にこの閾値を超えます。GLM 5.3 Flashは、100万トークンのコンテキストで0.15ドルと0.50ドルです。これは、どちらも契約書セットを一度に処理できる2つのモデルの入力価格における66倍の差です。

どちらもその定価でOrcaRouterのカタログに掲載されており、上乗せは一切ありません、これはこのカテゴリーでは通常以上に重要な点です。どちらかのモデルでベンダーが価格を変更すれば、契約サイクルの終わりではなく当日中にここへ反映されます。 1つのキーで両方をカバーできるため、検索負荷の高い作業にはAstraを、大量の一次レビューにはGLM 5.3 Flashを使いたい法務エンジニアリングチームでも、2つの商取引関係、2つのSDK、2セットの認証情報は不要です。ルーティングDSLはタスククラスごとにトラフィックを振り分けるので、ドラフト用の経路と要約用の経路をそれぞれ別のモデルに向けても、請求は1つの請求書にまとまります。

また、隠すのではなく明言する価値のある意図的な制限がある。Astra for Law と GPT-6 Astra を実際に区別しているのは Legal Search Index であり、そのレイヤーは売り物ではない——あなたはそこへルーティングできないし、他の誰にもできない。私たちがルーティングするのはベースモデルだ。今日 GPT-6 Astra 上で法務ワークフローをプロトタイプするチームは、法務向け構成をより良くした部分以外のすべてをテストしていることになる。

どちらを選ぶべきですか

もしその作業が米国判例法の調査、判例に重きを置く分析、あるいは主たるリスクが典拠を見落とすことにある類のものであれば、Astra for Law はまさにそこを狙っており、GLM-Legal はその領域で競合しているわけではない。もしその作業が仕様に沿った起草、指定された規制制度群にまたがる法令遵守、あるいはすでに提供済みの文書群に対する推論であれば、GLM-Legal の根拠はより直接的に的を射ている。そしてそのデモは、あなたが求める具体的な振る舞いを示している。つまり、検討すべき事項のチェックリストではなく、数値と条項文言を生み出すモデルである。

ほとんどの法務チームにとって、今四半期の現実的な答えは、どちらもまだ下す必要のない決定だということだ。どちらも申請によるゲート制で、どちらも価格は未定であり、どちらの見出しの数字の裏にも、ベンダーが管理するベンチマーク実行がたった1回あるだけだ。ゲートが開いたときに準備が整っているチームとは、その間の時間を、実際に呼び出し可能なベースモデル上でパイプラインを構築することに費やしたチームだ。そうすれば、後から特化版を採用するのは、プラットフォームの作り直しではなく、モデルIDの変更で済む。

ルーティングDSLはタスククラスごとにトラフィックを分割するため、ドラフト作成パスとサマリーパスが異なるモデルを指していても、1つの請求書で請求できます。