Титульная карточка с надписью «Astra for Law 6.2» и строкой «0.03 существенных галлюцинаций на задание» над тремя карточками, показывающими 20.8% полного зачёта по Harvey LAB-AA, 0.03 существенных галлюцинаций и 64,000 выходных токенов на задание, над нижним колонтитулом, в котором отмечено, что показатели LAB-AA приведены по данным Artificial Analysis и также опубликованы OpenAI.
Guides & Insights

Astra for Law 6.2 занимает первое место в юридическом бенчмарке Harvey. Уровень галлюцинаций — вот главная новость.

Автор

Gideon Frost

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

OpenAI выпустила новую версию Astra for Law 17 ноября 2026 года — юридическую конфигурацию, построенную на GPT-6.2 Astra, флагмане, выпущенном днём ранее, — и она сразу занимает первое место в рейтинге Harvey LAB-AA, который ведёт Artificial Analysis: 20,8% из 120 юридических заданий выполнены с полным зачётом против 15,0% у GPT-6.2 Astra и 13,1% у Muse Wonder Full — лучшего результата среди моделей не от Ope​nAI. А вот цифра, которая заслуживает большего внимания, стоит на две колонки правее. У Astra for Law в среднем 0,03 существенных галлюцинаций на задание. У Claude Opus 5.5, следующей модели не от Ope​nAI с наименьшим значением по этому показателю, в среднем 0,59.

Оба числа описывают один и тот же прогон из 120 заданий — именно поэтому их стоит читать вместе: конфигурация, которая завершает всю задачу чуть чаще, чем что-либо ещё из протестированного, и придумывает содержательное утверждение примерно в двадцать раз реже, чем сильнейший из её соперников, не принадлежащих OpenAI. Вот что изменилось с сентября, где эти утверждения подтверждаются, где нет и как на самом деле обстоят дела с доступом на этой неделе.

Те же веса, больший индекс и новое имя для поиска.

Здесь нет ничего, что было бы новой моделью в смысле новых весов. Astra for Law — это конфигурация GPT-6.2 Astra: базовая модель плюс расширенный индекс юридического поиска плюс инструкции по исследованию вопроса, взвешиванию авторитетных источников и написанию ответа. Это та же конструкция, которую Ope​nAI использовала в сентябре, когда этот слой работал на GPT-6 Astra. Обновление состоит из трёх частей — более новая базовая модель, более крупный индекс и ещё два месяца настройки с учётом отзывов практикующих юристов.

Индекс — это конкретная составляющая. С сентября OpenAI увеличила его на 34%, добавив более 80 млн URL, до более 310 млн в общей сложности, и расширила охват на Великобританию, Австралию и Канаду. Что касается США, компания утверждает, что охватывает более 99,9% опубликованной прецедентной судебной практики — по сравнению с данными CourtListener о покрытии. Инструкции невидимы и непроверяемы; размер индекса — это число, по которому хотя бы можно призвать кого-то к ответу.

Одна практическая загвоздка, прежде чем всё это принесёт пользу: у этой штуки четыре названия. В посте Ope​nAI она называется Astra for Law. Artificial Analysis указывает в таблице лидеров запись Astra for Law 6.2 (Max). Идентификатор модели — строка, которую вы выбираете в ChatGPT после включения доступа, — это gpt-6.2-astra-law. Поиск по запросу «GPT-6.2 Astra for Law» возвращает тот же продукт. Если вы готовите вводную для команды закупок, дайте им идентификатор модели и метку из таблицы лидеров вместе, иначе они не смогут найти друг друга.

Что означает 20,8% и почему это не то же самое, что «ошибаться в 79% случаев»

LAB-AA — это прогон бенчмарка Harvey's Legal Agent Benchmark, выполненный Artificial Analysis: 120 заданий по 24 областям права — от составления планов допросов до проверки коммерческих договоров аренды и разработки стратегии изменения собственности при поглощениях. Оценивание по принципу «всё или ничего» — и это имеет значение. Ответ получает полный балл, только если соответствует каждому требованию задания и не содержит существенных галлюцинаций. Пропустите одно подтребование или сделайте одно неподтверждённое утверждение — и задание получит ноль баллов.

Если читать так, разрыв между 20,8% и 15,0% больше, чем можно предположить по пяти процентным пунктам: это разница между безошибочным выполнением одного из пяти юридических заданий и одного из семи. Собственная арифметика Ope​nAI сходится — 20,8 против 15,0 даёт относительный прирост в 39%, что точно описывает её формулировка «почти на 40% чаще», а 20,8 против 13,1 — это 59%, как и указано.

Параметры, которые определяют, стоит ли выделять на это отдельную статью бюджета:

• Полный зачёт по LAB-AA — Astra for Law 20,8% против GPT-6.2 Astra 15,0% против Muse Wonder Full 13,1%

• Выходные токены на задание — около 64 000 против 139 000 у Muse Wonder Full, сокращение на 54% при более высокой доле успешных прохождений.

Существенные галлюцинации на задание — 0,03 против 0,06 у GPT-6.2 Astra и 0,59 у Claude Opus 5.5

• Незначительные галлюцинации на одно задание — 0,06 против 0,51 у Claude Opus 5.5, примерно в 8,5 раза больше

• Стоимость одного назначения LAB-AA при максимальном усилии — $7,33 против $6,35 для GPT-6.2 Astra и $17,93 для Claude Opus 5.5, по данным Artificial Analysis

• Ноль существенных галлюцинаций в задачах, соответствовавших критериям полного прохождения, — это вспомогательное утверждение, которое не позволяет добиваться прохождения за счёт выдуманных ссылок

A scoreboard titled 'Astra for Law — the scoreboard' with six rows reading 'LAB-AA full credit: 20.8%, rank 1', 'Material hallucinations: 0.03 per assignment', 'Output tokens: 64,000 per assignment', 'Vals Legal Research Bench: 53.85%, rank 6 of 99', 'Legal search index: 310M+ URLs' and 'Published API price: none', with a footer noting that LAB-AA figures are per Artificial Analysis and Vals figures per Vals AI's 16 November 2026 evaluation.

Строку затрат стоит рассмотреть внимательнее, потому что она противоречит обычной схеме. При том же режиме рассуждения Max юридическая конфигурация стоит на $0,98 больше за задание, чем её собственная базовая модель, при этом получая на 5,8 балла больше полного зачёта и генерируя на 54% меньше выходных токенов, чем модель, которую она превзошла. Здесь вы платите не за многословность; вы платите за слой извлечения, который позволяет модели остановиться раньше. Для команды, которая оценивает юридическую работу по часам, это единственная арифметика, которая имеет значение, и это единственное число в релизе, которое конкурент не может скопировать, выпустив более крупную модель.

Показатель галлюцинаций — это утверждение с самым долгим периодом полураспада.

Artificial Analysis подсчитала существенные галлюцинации — утверждения, которые могли бы ввести читателя в заблуждение по существенному вопросу — по тем же 120 заданиям. Astra for Law в среднем показала 0,03 на задание, разделив с GPT-6 самое низкое значение в сравнении и составив примерно половину показателя обычной GPT-6.2 Astra — 0,06. Claude Opus 5.5 в среднем показала 0,59, что соответствует цифре «примерно в 20 раз», которую приводит OpenAI, и соотношение подтверждается: 0,59, делённое на 0,03, равно 19,7.

Об одной оговорке стоит сказать прямо, а не прятать её, потому что она работает в обе стороны. При таких масштабах значения крайне малы — {{1}}0,03 на задание при 120 заданиях в сумме дают лишь несколько существенных галлюцинаций{{/1}} — поэтому один плохой ответ заметно сдвигает показатель. Соотношение в 20 раз — это реальная разница между двумя измеренными прогонами, а не стабильная физическая постоянная, и его не следует приводить клиенту как гарантию чего бы то ни было. {{2}}Что оно действительно устанавливает — это направление и примерный масштаб, а в задаче, где одна выдуманная ссылка может положить конец отношениям, направление и примерный масштаб ценнее точечной оценки.{{/2}}

Также нужно разделять происхождение данных. Оценку проводила Artificial Analysis, поэтому эти цифры принадлежат не Ope​nAI, однако Harvey разработала бенчмарк, и Ope​nAI работала с Harvey над сентябрьским запуском. LAB-AA независима от вендора, но не независима от автора бенчмарка. Нет стороннего подсчёта галлюцинаций на наборе задач, к которому Ope​nAI не имела отношения, — это и есть пробел в доказательствах, и он больше, чем следует из заголовочной цифры 0,03.

Screenshot of the Artificial Analysis Harvey LAB-AA evaluation page, showing the leaderboard with Astra for Law 6.2 in first place at 20.8% full credit, GPT-6.2 Astra second at 15.0%, GPT-6.2 Astra at High effort third at 13.3%, and Muse Wonder Full fourth at 13.1%, with material hallucination rates of 0.03, 0.06, 0.03 and 0.62 per assignment and costs per task of $7.33, $6.35, $3.86 and unavailable.

Где это не первое

Legal Research Bench от Vals AI, оценённый 16 ноября 2026 года, рисует менее радужную картину. Astra for Law занимает шестое место с показателем all-pass 53,85% на 208 вопросах, которые практикующие юристы составили по федеральному законодательству США и законодательству штатов, уступая Gemini 4 Carbon с 55,77% и тройному равенству результатов на уровне 55,29% между Muse Spark 1.3 Max, Claude Opus 5 и Claude Fable 5.1.

Шестой с отставанием на 1,9 балла, но первый по экономическим показателям в ведущей группе:

• Точность прохождения всех тестов — Astra for Law 53,85% против Gemini 4 Carbon 55,77% и Gemini 4 Argon 54,81%

• Стоимость одного теста — $2,75 против $8,74 у Gemini 4 Carbon, $6,76 у Claude Opus 5 и $23,06 у Claude Fable 5.1

• Токенов на тест — 77 740 против 5,36 млн у Gemini 4 Carbon и 3,13 млн у Claude Opus 5

• Продолжительность одного теста — 16 минут 45 секунд против 51 минуты 53 секунд у Gemini 4 Carbon

Последняя пара — это то, что не вписывается в заголовок. Она не просто дешевле в расчёте на один ответ; она на порядок экономнее по токенам, чем модели выше неё, и это тот же сигнал, который дал подсчёт токенов LAB-AA.

Собственную подачу этого бенчмарка со стороны Ope​nAI также стоит проверить построчно. Сообщается, что 112 из 208 вопросов зачтены полностью, рост примерно на восемь процентных пунктов по сравнению с примерно 46% в сентябре и 90,9% доступных баллов при учёте частичного зачёта. Показатели 112 и 90,9% согласуются с публичной таблицей. Отправной точки 46% там нет, поэтому «восемь пунктов менее чем за два месяца» — это сравнение, которое Ope​nAI проводит со своим собственным сентябрьским запуском, и его нельзя вывести из того, что Vals публикует сегодня.

Самый полезный показатель на этом табло — тот, с которого Ope​nAI не стала начинать. GPT-6.2 Astra, та же базовая модель без юридического слоя, набирает 42,79% и занимает 31-е место; GPT-6 Astra — 42-е место с 39,42%. Таким образом, на бенчмарке, который не контролируют ни Ope​nAI, ни Harvey, конфигурация даёт примерно одиннадцать пунктов преимущества над собственной базовой моделью. Это самая чистая независимая оценка того, что на самом деле добавляют юридический индекс и инструкции, и она существенно больше, чем следует из разрыва 20,8 против 15,0 в LAB-AA.

Screenshot of the Vals AI Legal Research Bench leaderboard dated 16 November 2026, showing Gemini 4 Carbon first at 55.77%, Muse Spark 1.3 Max and Claude Opus 5 tied at 55.29%, Gemini 4 Argon fifth at 54.81% and Astra for Law sixth at 53.85% with a cost of $2.75 per test, alongside GPT-6.2 Astra at 42.79% in 31st place.

Сколько это стоит, и число, которое Ope​nAI не опубликовал

Для юридической конфигурации цены нет. Это не упущение в публикации о запуске — это и есть публикация о запуске. Доступ — это запрос, а не оформление покупки: каждый клиент ChatGPT Enterprise теперь может запросить Astra for Law через Trusted Access Program в консоли администратора, команды, у которых уже есть к нему доступ, выбирают gpt-6.2-astra-law в ChatGPT, а доступ к API осуществляется через форму обращения в отдел продаж, а не через ключ для самостоятельного доступа.

Для бюджетирования единственная опубликованная ставка — у базовой модели: GPT-6.2 Astra указана по $8 за миллион входных токенов и $40 за миллион выходных, при этом кэшированный ввод стоит $0.40, окно контекста составляет 1.05 млн токенов, максимальный объём выходных токенов — 128 000, а дата отсечки знаний — 18 мая 2026 г. В записи Artificial Analysis для конфигурации law фигурируют те же $8 и $40, но это перенесённая тарифная сетка базовой модели, и её следует рассматривать как рабочее допущение этой лаборатории, а не как котировку поставщика. Производная цифра честнее отражает использование: $7.33 за одно назначение LAB-AA при Max effort, что показывает, сколько токенов конфигурация фактически расходует, а не номинальную стоимость одного токена.

Если вы самостоятельно строите слой извлечения, а не покупаете готовую конфигурацию, базовые модели доступны по одному ключу через OrcaRouter, который предоставляет GPT-6 Astra и сопутствующую линейку Ope​nAI в рамках каталога из 215 моделей по прайсовой цене провайдера с наценкой 0% и автоматическое переключение при зависании провайдера в середине выполнения. Astra for Law отсутствует в этом каталоге, и нет публичного эндпоинта, через который можно было бы к ней обратиться — ничто в этом маршруте не является коротким путём к конфигурации. Слой маршрутизации полезен для той части, которую вы контролируете: этап исследования, на котором нельзя молча отбрасывать цитату, — разумный кандидат на то, чтобы вторая модель проверяла первую, и такая композиция представляет собой вызов routing-DSL, а не две отдельные интеграции с поставщиками.

Ope​nAI опубликовала одно сравнение, которое отвечает на вопрос, обойдённый в её собственном заголовке. В собственном Legal Agent Benchmark от Harvey — тесте, отличном от LAB-AA, который проводит Harvey, а не Artificial Analysis, — GPT-6 Astra выполнила все требования в 4,6% заданий, GPT-6.2 Astra утроила этот показатель до 14,6%, а юридическая конфигурация довела его до 16,2%.

Смотрите на последовательность, а не на последнее число. Две трети пути от 4,6% до 16,2% — это прогресс базовой модели: скачок от GPT-6 Astra к GPT-6.2 Astra, который любой клиент базовой модели получает, не запрашивая доступ к чему-либо. Конфигурация добавляет последние 1,6 пункта — относительное улучшение на 11% по сравнению с базовой моделью. Это реальный прирост, и именно этот прирост вам продают, но он составляет меньшую долю от общего, чем подразумевает освещение запуска, — и это та часть, которую с наибольшей вероятностью воспроизведут собственные поисковые слои других лабораторий в течение квартала.

Кому следует запросить доступ, а кому — подождать

Если вы находитесь внутри тенанта ChatGPT Enterprise и ваши юристы уже проводят в нём исследования, запросите доступ на этой неделе. Цена запроса — одна форма, и первое полезное, что вы можете с ним сделать, — это не прогнать бенчмарк Harvey, а свой собственный: двадцать заданий из вашей собственной практики, оцениваемых по принципу «всё или ничего» с правом вето за галлюцинацию; это рубрика, которую можно собрать за один день, и она расскажет вам о вашей работе больше, чем 20,8% на чужом бенчмарке.

Если вы находитесь вне Enterprise и вне программы API, покупать пока нечего — ни тарифной сетки, ни ключа, ни доступности через партнёров. Ожидание не будет стоить вам ничего, чего не исправил бы квартал доступа, а отсутствие опубликованной цены само по себе является информацией: поставщик ещё не решил, сколько стоит юридический слой независимо от базовой модели.

Если вы что-то создаёте, переносимый вывод — не позиция в таблице лидеров. Он в том, что лучшая по оценке конфигурация на LAB-AA использовала на 54% меньше выходных токенов, чем модель, стоящая под ней в рейтинге. Именно экономика в расчёте на задачу, а не цена за токен, определяет победу в юридическом ИИ, и слой поиска, который позволяет модели замолчать раньше, дешевле, чем более умная модель, которая продолжает говорить.

Три вещи, за которыми стоит следить дальше. Опубликованная цена за такую конфигурацию, которая покажет, считает ли OpenAI это премиальным продуктом или функцией, входящей в Enterprise. Доступность API за пределами формы запроса, которая определяет, сможет ли кто-либо независимо воспроизвести эти цифры. И показатель галлюцинаций за пределами США: индекс теперь охватывает Великобританию, Австралию и Канаду, но каждый опубликованный показатель измеряет американское право, а тип ошибки, который наносит наибольший ущерб в других юрисдикциях, — ссылка на верную норму при неверном её прочтении, — именно его никакое расширение индекса не исправит само по себе.

Сравнение в этой статье2

Определено по этой статье · Бенчмарки: Artificial Analysis · обновляется ежедневно