Astra for Law vs GPT-6 Astra: เวตเดียวกัน แต่มีดัชนีค้นหาเพิ่มขึ้นหนึ่งชุด

Astra for Law และ GPT-6 Astra ไม่ใช่สองโมเดล และการวางกรอบทางเลือกให้เป็นการเปรียบเทียบแบบตัวต่อตัวคือสิ่งแรกที่ต้องทำให้ถูกต้อง Astra for Law คือ GPT-6 Astra ที่มีดัชนีค้นหากฎหมายของสหรัฐฯ ต่อเข้ากับเส้นทางการดึงข้อมูล มีชุดคำสั่งสำหรับร่างเอกสารทางกฎหมายซ้อนทับอยู่ด้านบน และมีเครื่องมือทางกฎหมายเชื่อมต่อไว้ น้ำหนักของโมเดลเหมือนกันทุกประการ ดังนั้นคำถามจริงจึงไม่ใช่ว่าโมเดลใดฉลาดกว่า — แต่คือว่าดัชนีค้นหากฎหมายนั้นคุ้มค่าที่จะจ่ายในราคาสูงขึ้นหรือไม่ และจากหลักฐานที่มีจนถึงตอนนี้ คำตอบขึ้นอยู่เกือบทั้งหมดกับว่างานของคุณเป็นการสืบค้นคำพิพากษาหรือการตรวจทานเอกสาร

เรื่องนี้สำคัญเพราะ OpenAI ยังไม่ได้ประกาศราคาสำหรับการตั้งค่าที่ใช้กับงานกฎหมาย API สำหรับสิ่งนี้ก็ยังไม่เปิดให้ใช้ และการวัดแบบเทียบตรงกันกับโมเดลพื้นฐานเพียงครั้งเดียวก็มาจาก OpenAI เองบนชุดตรวจสอบภายใน หน้านี้จะพาไล่ดูว่าอะไรคือสิ่งที่ทราบกันจริง ตัวเลขจากแหล่งอิสระบอกว่าอย่างไร และงานด้านกฎหมายหนึ่งๆ ควรอยู่ฝั่งใดของการเปรียบเทียบนี้

อะไรกันแน่ที่ทำให้พวกเขาแตกต่างกัน

มีการเพิ่มสามสิ่งเข้ามา และสิ่งเหล่านั้นไม่ได้ยากที่จะทำซ้ำเท่ากัน

• ดัชนีค้นหาข้อกฎหมาย — การสืบค้นจากคำพิพากษาของสหรัฐฯ กฎหมาย ข้อบังคับ ข้อกำหนดของศาล และคำวินิจฉัยทางปกครอง มากกว่า 230 ล้าน URL แหล่งข้อมูลถูกเพิ่มทุกวัน นี่คือส่วนที่คุณไม่สามารถสร้างจากพรอมต์ได้

• Corpus — สร้างขึ้นบน CourtListener ไลบรารีของ Free Law Project ซึ่งครอบคลุมคำพิพากษาบรรทัดฐานของสหรัฐฯ ที่เผยแพร่แล้วมากกว่า 99.9% เสริมด้วยเนื้อหาที่ได้รับอนุญาตจากผู้ให้บริการต่าง ๆ รวมถึง Thomson Reuters ครึ่งหนึ่งที่เป็นสาธารณะนั้นใช้ฟรี ส่วนครึ่งที่เป็นเนื้อหาแบบเสียค่าอนุญาตและการรีเฟรชรายวันนั้นไม่ใช่สิ่งที่สำนักงานกฎหมายแห่งใดแห่งหนึ่งจะทำซ้ำขึ้นมาได้

• คำแนะนำและการตั้งค่า — คำแนะนำด้านการวิเคราะห์ทางกฎหมายและการเขียนทางกฎหมาย รวมถึงการตั้งค่าต่างๆ เช่น ความยาวของคำตอบ สิ่งเหล่านี้อยู่ในระดับพรอมต์และระดับการกำหนดค่า ทีมวิศวกรรมด้านกฎหมายที่มีความสามารถสามารถทำให้ได้ใกล้เคียงกับสัดส่วนที่มีนัยสำคัญของสิ่งเหล่านี้เมื่อเทียบกับโมเดลพื้นฐานได้ในปัจจุบัน

เฉพาะบน GPT-6 Astra เท่านั้น การดึงข้อมูลจะผ่านการค้นหาเว็บทั่วไป นั่นคือความแตกต่างทั้งหมดในเส้นทางการวิจัย และเป็นแกนที่ตัวเลขทุกตัวด้านล่างนี้กำลังวัดอยู่

การเปรียบเทียบแบบตัวต่อตัวเพียงหนึ่งเดียวที่มีอยู่

OpenAI ทดสอบทั้งสองระบบกับคำถามการวิจัยทางกฎหมายของสหรัฐฯ จำนวน 200 ข้อจากชุด validation แบบไม่เปิดเผยของ Legal Research Bench จาก Vals AI ที่ระดับความพยายามในการใช้เหตุผลสูงสุด Astra for Law ผ่านการตรวจสอบความถูกต้องโดยรวมใน 54.0% ของคำถาม เทียบกับ 38.7% สำหรับ GPT-6 Astra ที่ใช้การค้นเว็บ — ต่างกัน 15.3 จุด ซึ่งอธิบายว่าเป็นการปรับปรุงสัมพัทธ์ 40% ตัวเลขสนับสนุนจากการรันเดียวกัน: พบคดีอ้างอิงมากขึ้น 24% ในคำถามด้านคำพิพากษา ดึงข้อความที่เกี่ยวข้องจากคำวินิจฉัยของศาลที่ถูกต้องได้มากขึ้นถึง 54% ที่ความพยายามในการใช้เหตุผลเท่ากัน และคำตอบมีความยาวเฉลี่ยประมาณสองเท่า

คำเตือนสามข้อควรอยู่บนตัวเลขเหล่านั้น และไม่มีข้อใดเป็นเหตุผลที่จะทำให้ต้องมองข้ามมัน ประการแรก ตัวเลขเหล่านั้นเป็นของ OpenAI ซึ่งเป็นการแบ่งที่ OpenAI ถือครอง และยังไม่มีหน่วยงานอิสระใดทำซ้ำได้ ประการที่สอง ความยาวคำตอบที่เพิ่มเป็นสองเท่าควรถูกวางเทียบกับคะแนนรวม เพราะการตรวจสอบความถูกต้องที่ให้รางวัลกับความครอบคลุมนั้นผ่านได้ง่ายกว่าด้วยคำตอบที่ยาวกว่า — ตัวเลขการดึงข้อมูล (เคสเพิ่มขึ้น 24% พาสเสจเพิ่มขึ้น 54%) เป็นหลักฐานที่ชัดเจนกว่าว่าดัชนีเพิ่มอะไรเข้าไปจริง ประการที่สาม เวอร์ชันสาธารณะของ benchmark เดียวกันไม่ได้แสดงการกระโดดนั้น: หน้าเปรียบเทียบของ Vals AI เองระบุ GPT-6 Astra อยู่ที่ 39.42% ±3.40 บน Legal Research Bench โดย Gemini 3.8 Flash อยู่ที่ 38.94% ±3.39 นั่นคือโมเดลฐาน โดยไม่มีดัชนี ซึ่งตกอยู่ที่ตำแหน่งเดียวกับที่ baseline ของ OpenAI อยู่โดยพื้นฐาน

การตีความสองชุดที่เป็นอิสระต่อกันยิ่งทำให้ภาพซับซ้อนมากขึ้น Legora ได้ทำการกระทบยอดงบการเงินกับเอกสาร 41 ฉบับในรอบเดียว และพบข้อผิดพลาดที่ถูกฝังไว้ทั้งสี่รายการ รวมถึงส่วนต่าง 500,000 ปอนด์ในหมายเหตุรายได้ พร้อมเพิ่มการตรวจสอบราวห้าสิบรายการที่โมเดลก่อนหน้านี้พลาดไป คิดเป็นการปรับปรุงประมาณ 40% ในเวิร์กโฟลว์นั้น อย่างไรก็ตาม ในภาพรวมของ Legora's Benchmark for Agentic Reasoning การปรับปรุงเฉลี่ยในทุกภารกิจอยู่ที่ประมาณ 3% ในขณะเดียวกัน การทดสอบ 41 คำถามของ HAQQ ครอบคลุม 20 ด้านการปฏิบัติงาน ทำให้คะแนนนำด้านสาระทางกฎหมายของ Astra อยู่ที่ 17.63 จาก 20 นำหน้าโมเดลที่ถูกกว่าอยู่ไม่ถึงหนึ่งคะแนน ที่ราคา $0.2622 ต่อคำตอบ เมื่ออ่านรวมกันแล้ว สรุปอย่างตรงไปตรงมาคือ ความได้เปรียบของคอนฟิกูเรชันนี้มีมากและทำซ้ำได้ในงานกฎหมายคดีของสหรัฐฯ ที่เน้นการค้นคืนข้อมูลหนัก ยังน้อยในด้านการใช้เหตุผลทางกฎหมายทั่วไป และยังไม่ได้รับการทดสอบมากนักกับกฎหมายนอกสหรัฐฯ — ซึ่งในการทดสอบเดียวกันพบว่าโมเดลทั้งสามอ้างอิงบทบัญญัติได้ถูกต้อง แต่กลับระบุสาระที่บทบัญญัติกล่าวถึงผิด

ต้นทุนที่แท้จริงของแต่ละฝ่ายต่อคำตอบทางกฎหมายหนึ่งคำตอบ

Astra for Law ไม่มีราคาที่เปิดเผยต่อสาธารณะ เรตการ์ดของ GPT-6 Astra เป็นข้อมูลสาธารณะ และเป็นตัวเลขที่ต้องใช้เป็นฐานในการเปรียบเทียบ เพราะการกำหนดค่าสำหรับงานกฎหมายคือโมเดลเดียวกันบวกกับการเรียกค้นข้อมูล และไม่น่าเป็นไปได้ที่จะมีต้นทุนต่ำกว่าโมเดลที่มันครอบอยู่

• มาตรฐาน — 10.00 ดอลลาร์ต่อโทเคนอินพุต 1 ล้านโทเคน, 50.00 ดอลลาร์ต่อโทเคนเอาต์พุต 1 ล้านโทเคน

• อินพุตที่แคชไว้ — $1.00 ต่อล้านรายการ ส่วนลด 90% และเป็นกลไกที่สำคัญที่สุดสำหรับสำนักงานที่นำคำสั่งถาวรและข้อความสำเร็จรูปจากคำพิพากษาเดิมกลับมาใช้ซ้ำ

• การเขียนแคช — 12.50 ดอลลาร์ต่อล้านรายการ คิดค่าบริการในอัตรา 1.25× ของอัตราอินพุตที่ไม่ได้แคช; การแคชคุ้มค่าตั้งแต่การนำกลับมาใช้ซ้ำครั้งที่สองเป็นต้นไป

• เกิน 272,000 โทเคนอินพุต — อัตราอินพุตและแคชเป็น 2 เท่า และเอาต์พุตเป็น 1.5 เท่า โดยมีผลกับคำขอทั้งคำขอ ไม่ใช่เฉพาะโทเคนที่เกินเกณฑ์เท่านั้น ในทางปฏิบัติ หมายความว่าสำหรับคำขอแบบยาวใด ๆ จะคิดค่าใช้จ่าย $20.00 สำหรับอินพุต และ $75.00 สำหรับเอาต์พุตต่อหนึ่งล้านโทเคน

• แบบกลุ่ม — 50% ของมาตรฐาน โหมดเร็ว — 2 เท่าของมาตรฐาน และไม่พร้อมใช้งานสำหรับ GPT-6 Astra ที่มีที่ตั้งข้อมูลในสหภาพยุโรป

เกณฑ์ 272K ไม่ใช่เชิงอรรถสำหรับการเปรียบเทียบนี้ แต่เป็นศูนย์กลางของการเปรียบเทียบนี้เลยต่างหาก การกระทบยอดเอกสาร 41 ฉบับ ชุดถอดความคำให้การฉบับเต็ม หรือแฟ้มดีลหลายปี มักทะลุ 272,000 โทเคนเป็นปกติ ซึ่งหมายความว่าอัตราค่าบริการด้านกฎหมายที่สมจริงคือแถวบริบทแบบยาว — $20.00 ขาเข้า และ $75.00 ขาออก — ไม่ใช่ราคาที่พาดหัวว่า $10/$50 สำหรับสำนักงานที่กำลังประเมินขนาดโครงการนำร่อง ความแตกต่างระหว่างสองแถวนั้นคือความแตกต่างระหว่างโครงการที่อยู่ในงบประมาณกับโครงการที่ไม่อยู่ และนั่นเป็นเหตุผลให้วัดปริมาณโทเคนต่อเรื่องจริงของคุณก่อนตัดสินใจ ไม่ใช่หลังตัดสินใจ

มีบันทึกเรื่องต้นทุนเพิ่มอีกสองข้อจากการทดสอบอิสระ HAQQ วัดได้ $0.2622 ต่อคำตอบบน Astra ซึ่งคิดเป็นประมาณสิบเอ็ดเท่าของต้นทุนต่อคำตอบของ GPT-5.6 Luna Pro โดยได้คะแนนรวมเพิ่มขึ้นไม่ถึงหนึ่งจุด — แต่ก็ยังตั้งข้อสังเกตว่าช่องว่างดังกล่าวส่วนหนึ่งเป็นเพราะ Astra เขียนโทเค็นน้อยกว่า Claude Opus 5 ประมาณ 3.5 เท่า ทำให้มีต้นทุนต่อคำตอบถูกกว่า Opus 5 สำหรับภาระงานนั้น และการทดสอบเดียวกันนั้นพบว่าปุ่มปรับระดับความพยายามในการให้เหตุผลทำหน้าที่เป็นคันโยกด้านต้นทุนมากกว่าด้านคุณภาพ: การปรับจากระดับต่ำไปสูงทำให้ต้นทุนเพิ่มขึ้นประมาณ 1.5 เท่า และความหน่วงเพิ่มขึ้นประมาณ 1.8 เท่า ขณะที่คุณภาพที่ประเมินได้ลดลง 0.17 จุด ควรตรึงการตั้งค่าระดับความพยายามไว้ อย่าปล่อยให้ค่าเริ่มต้นอยู่ที่ระดับสูงสุด

เมื่อรุ่นพื้นฐานเป็นตัวเลือกที่น่าซื้อกว่า

ข้อโต้แย้งที่สนับสนุน GPT-6 Astra เพียงลำพังนั้นหนักแน่นกว่าที่กรอบการเปิดตัวบ่งชี้ และมันตั้งอยู่บนข้อสังเกตสามประการ

• งานของคุณไม่ใช่การสืบค้นคำพิพากษาศาลของสหรัฐฯ ดัชนีนี้จำกัดเฉพาะสหรัฐฯ เท่านั้น สำหรับการร่างสัญญา การปรับโครงสร้างข้อสัญญา การรับเรื่อง การสร้างลำดับเหตุการณ์ หรือการสรุปเอกสารที่คุณมีอยู่ในมือแล้ว สิ่งที่ Astra for Law เพิ่มเข้ามาแทบไม่มีผลอะไร

• คุณจ่ายค่าการค้นคว้ากฎหมายปฐมภูมิอยู่แล้ว สำนักงานกฎหมายที่สมัครสมาชิก Westlaw หรือ LexisNexis กำลังซื้อความครอบคลุมของคำพิพากษาที่เป็นบรรทัดฐานชุดเดียวกันซ้ำสองครั้ง หากยังจ่ายในราคาพิเศษสำหรับชั้นการสืบค้นที่ตรวจสอบไม่ได้

• คุณต้องการเส้นทางการค้นคืนข้อมูลที่คุณควบคุมได้เอง การป้อนชุดเอกสารที่คัดสรรมาแล้วเข้าสู่ GPT-6 Astra รุ่นพื้นฐาน จะทำให้คุณได้ที่มาของการอ้างอิงที่ตรวจสอบได้ และไม่ต้องพึ่งพาการรีเฟรชดัชนีของผู้ให้บริการรายใด

มีหลักฐานจากบุคคลที่สามว่าโมเดลฐานไม่ใช่จุดอ่อน บนลีดเดอร์บอร์ด APEX-Agents สำหรับทนายความองค์กรของ Mercor คอนฟิกูเรชัน GPT-6 Astra ทำคะแนน 73.4% Pass@1 จาก 160 งาน ซึ่งเป็นผลลัพธ์จากบุคคลที่สามบนภาระงานเอเจนต์ด้านกฎหมาย อยู่เคียงข้างกับกำไรเฉลี่ย 3% ที่ Legora วัดได้จากชุดเบนช์มาร์กของตนเอง ไม่มีตัวเลขใดที่เกี่ยวกับดัชนีค้นหา และทั้งคู่ชี้ว่าโมเดลที่อยู่เบื้องหลังทำงานด้านกฎหมายส่วนใหญ่ไปแล้ว

เมื่อการกำหนดค่าได้มาซึ่งมูลค่าส่วนเพิ่มของมัน

เหตุผลสนับสนุน Astra for Law นั้นแคบกว่า และในกรณีที่ใช้ได้ผล มันก็ชี้ขาด ถ้าภาระงานของคุณคือการค้นหาและประยุกต์ใช้กฎหมายของสหรัฐ — การสร้างรายการคดีในบันทึกคำแถลง การตรวจสอบว่าจุดยืนหนึ่งๆ ยังคงใช้ได้กับแนวคำพิพากษาหรือไม่ การสำรวจกฎระเบียบของทั้ง 50 รัฐ — แล้วล่ะก็ การมีคดีอ้างอิงเพิ่มขึ้น 24% และข้อความที่เกี่ยวข้องเพิ่มขึ้นถึง 54% ไม่ใช่การปรับปรุงเล็กน้อย แต่มันคือความแตกต่างระหว่างผู้ช่วยที่พลาดแหล่งอ้างอิงกฎหมายกับผู้ช่วยที่ไม่พลาด Legora tie-out เป็นตัวอย่างที่ดีที่สุดของผลลัพธ์เดียวกันในเอกสารแทนที่จะเป็นคำพิพากษา: การอ้างอิงข้าม 41 ไฟล์ในครั้งเดียวเป็นงานเปรียบเทียบปริมาณมากที่ต้องใช้บริบทขนาดยาวโดยแท้ ซึ่งบริบทที่ดึงมามากขึ้นจะยิ่งทบต้น

ข้อแม้ที่ตรงไปตรงมาสำหรับทั้งสองเรื่องคือ ราคาไม่ถูกเปิดเผย การเข้าถึงถูกจำกัดไว้เฉพาะบริษัทกฎหมายใน Am Law 200 ผ่านโปรแกรม Trusted Access และยังไม่มีห้องปฏิบัติการอิสระรายใดทดสอบเปรียบเทียบแบบตัวต่อตัวซ้ำ คุณกำลังถูกขอให้ตกลงจ่ายในราคาพรีเมียมโดยอาศัยเบนช์มาร์กจากผู้ขายและผลการทดสอบเวิร์กโฟลว์ของหุ้นส่วนเพียงรายเดียว

รันทั้งสองผ่าน endpoint เดียว

คำถามเรื่องการเลือกเส้นทางตรงนี้เป็นปัญหาด้านลำดับเวลา มากกว่าจะเป็นการเลือก gpt-6-astra-law ยังไม่มีใน API ใด ๆ รวมถึงของเราด้วย — OpenAI บอกว่าเร็ว ๆ นี้ และไม่ได้ระบุวัน — ดังนั้นวันนี้ครึ่งเดียวของการเปรียบเทียบนี้ที่คุณเรียกใช้ได้จริงคือโมเดลฐาน สิ่งที่มีให้ใช้ตอนนี้คือ openai/gpt-6-astra บน OrcaRouter ด้วยมาร์กอัป 0% โดยราคาตามรายการของผู้ให้บริการถูกส่งต่อโดยไม่เปลี่ยนแปลง ดังนั้นแถว $10/$50 และ $20/$75 ข้างต้นคือราคาที่คุณจ่าย และหากผู้ขายเปลี่ยนราคา ก็มีผลในวันเดียวกัน โมเดลมากกว่า 200 รายการอยู่เบื้องหลังคีย์เดียว พร้อมการสลับไปยังผู้ให้บริการรายอื่นอัตโนมัติเมื่อเกิดข้อขัดข้อง

routing DSL คือส่วนที่เชื่อมโยงกับการตัดสินใจเฉพาะเจาะจงนี้ เนื่องจากความแตกต่างระหว่างผลิตภัณฑ์ทั้งสองคือขั้นตอนการค้นคืนข้อมูล คุณจึงสามารถประกอบมันได้เอง — กำหนดเส้นทางให้โมเดลพื้นฐานด้วยการค้นคืนเอกสารของคุณเองในครั้งเดียว และเปรียบเทียบผลลัพธ์กับคำถามเดียวกันที่ส่งด้วยการค้นหาเว็บเท่านั้น นั่นเป็นวิธีราคาถูกในการวัดว่าคลังข้อมูลของคุณเองจำลองช่องว่าง 54.0% ต่อ 38.7% ได้มากน้อยเพียงใด ก่อนที่คุณจะตัดสินใจใช้ผลิตภัณฑ์พรีเมียมแบบจำกัดการเข้าถึง การรวมโมเดล ซึ่งรันกลุ่มโมเดลหลายตัวบนพรอมต์เดียว ครอบคลุมอีกครึ่งหนึ่ง: หากความกังวลของคุณคือโมเดลเดียวตีความข้อกำหนดผิด ดังที่ HAQQ พบในกฎหมายนอกสหรัฐฯ การใช้กลุ่มโมเดลจะเผยให้เห็นความไม่เห็นพ้องแทนที่จะซ่อนมันไว้ เนื่องจากการกำหนดเส้นทางเก็บทั้งสองฝั่งไว้บนคีย์เดียว การสลับ model id เมื่อ gpt-6-astra-law เปิดให้ใช้งานจึงเป็นการเปลี่ยนแปลงการตั้งค่า ไม่ใช่การบูรณาการใหม่

ข้อควรระวังหนึ่งที่ควรพูดตรง ๆ มากกว่าจะซุกไว้: คำขอที่ถูกจัดเส้นทางไม่ได้อยู่ภายใต้การอนุมัติ Zero Data Retention ของ OpenAI โดยอัตโนมัติ ซึ่งอนุมัติเป็นรายองค์กร ดังนั้นบริษัทที่ต้องการ ZDR ควรยืนยันความคุ้มครองบนเส้นทางที่ตนใช้ และเราเตอร์ก็เป็นอีกหนึ่งฮอปในเส้นทางข้อมูล ซึ่งเป็นต้นทุนที่แท้จริงสำหรับเนื้อหาที่มีสิทธิคุ้มครองพิเศษ แม้ว่ามันจะให้ความสามารถ failover มาเป็นการตอบแทนก็ตาม

ที่ที่สิ่งนี้ไปถึง

ถ้าคุณกำลังตัดสินใจเลือกวันนี้ ให้เลือกโมเดลพื้นฐาน Astra for Law ยังซื้อไม่ได้ ราคาพรีเมียมยังไม่ทราบ และหลักฐานอิสระระบุว่า GPT-6 Astra มีประสิทธิภาพในระดับสูงอยู่แล้วกับงานด้านเอเจนต์กฎหมายโดยไม่ต้องมีดัชนี สร้างบน openai/gpt-6-astra ตอนนี้ วัดช่องว่างการค้นคืนข้อมูลของคุณเอง แล้วให้การนับโทเคนเป็นตัวบอกคุณว่าคุณข้าม 272K บ่อยพอที่จะต้องสนใจแถวบริบทแบบยาวหรือไม่

จากนั้นให้กลับมาทบทวนเรื่องนี้อีกครั้งเมื่อรู้สามสิ่ง ได้แก่ ราคาของ gpt-6-astra-law รูปแบบข้อกำหนด API ของมัน และการรันซ้ำแบบอิสระของการทดสอบแบบเผชิญหน้ากัน 200 คำถาม บนสปลิตที่บุคคลอื่นซึ่งไม่ใช่ OpenAI เป็นผู้ควบคุม หากราคาลงมาใกล้ราคาพื้นฐาน และผลประโยชน์จากการดึงข้อมูลยังคงยืนได้นอกชุดข้อมูลตรวจสอบของ OpenAI การตั้งค่านี้ก็จะกลายเป็นค่าเริ่มต้นที่ชัดเจนสำหรับงานที่เน้นการวิจัยในสหรัฐฯ และโมเดลฐานยังคงเหมาะกับทุกอย่างอื่น จนกว่าจะถึงตอนนั้น ข้ออ้างที่ป้องกันได้คือข้ออ้างแบบแคบ ๆ — ดัชนีคำพิพากษาศาลของสหรัฐฯ บวกคำแนะนำทางกฎหมาย ดึงข้อมูลได้ดีกว่าอย่างมีนัยสำคัญเมื่อเทียบกับการค้นเว็บทั่วไปสำหรับคำถามทางกฎหมายของสหรัฐฯ นั่นคุ้มค่าที่จะจ่ายเงินจำนวนหนึ่ง จะจ่ายเท่าไรยังเป็นคำถามที่ยังไม่มีคำตอบ