
Astra for Law 6.2 giành vị trí đầu tiên trên Legal Benchmark của Harvey. Tỷ lệ ảo giác mới là tin đáng chú ý thực sự.
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 89 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 97 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaMỚIOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 88 tok/s
- OrcaMỚIOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 134 tok/s
- OrcaMỚIOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 trên 1 triệu token · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Trí tuệ
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Trí tuệ
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 trên 1 triệu token · 920 tok/s
OpenAI đã phát hành một phiên bản mới của Astra for Law vào ngày 17 tháng 11 năm 2026 — cấu hình pháp lý được xây dựng trên GPT-6.2 Astra, mẫu chủ lực mà hãng ra mắt một ngày trước đó — và nó đứng đầu bảng xếp hạng Harvey LAB-AA do Artificial Analysis duy trì: 20,8% trong số 120 bài tập pháp lý được hoàn thành đạt điểm tối đa, so với 15,0% của GPT-6.2 Astra và 13,1% của Muse Wonder Full, mục không phải OpenAI tốt nhất. Con số đáng để bạn chú ý hơn nằm ở cột thứ hai bên phải. Astra for Law đạt trung bình 0,03 ảo giác trọng yếu mỗi bài tập. Claude Opus 5.5, mô hình không phải OpenAI có mức thấp tiếp theo trên thước đo đó, đạt trung bình 0,59.
Cả hai con số đều mô tả cùng một lần chạy 120 nhiệm vụ, và chính điều đó khiến chúng đáng được đọc cùng nhau: một cấu hình hoàn thành toàn bộ nhiệm vụ thường xuyên hơn một chút so với mọi thứ khác từng được thử nghiệm, và bịa ra một tuyên bố có nội dung thực chất ít hơn khoảng hai mươi lần so với đối thủ mạnh nhất không phải OpenAI của nó. Đây là những gì đã thay đổi kể từ tháng Chín, những chỗ các tuyên bố còn đúng, những chỗ chúng không đúng, và quyền truy cập thực sự trông như thế nào trong tuần này.
Cùng trọng số, chỉ mục lớn hơn và một cái tên mới để tìm kiếm
Đây không phải là một mô hình mới theo nghĩa có trọng số mới. Astra for Law là một cấu hình của GPT-6.2 Astra: mô hình nền tảng cộng với chỉ mục tìm kiếm pháp lý mở rộng cộng với hướng dẫn để nghiên cứu một câu hỏi, cân nhắc các nguồn có thẩm quyền và viết câu trả lời. Đó là cùng cách cấu trúc mà OpenAI đã sử dụng vào tháng 9, khi lớp đó nằm trên GPT-6 Astra. Nâng cấp gồm ba phần — một mô hình nền tảng mới hơn, một chỉ mục lớn hơn và thêm hai tháng tinh chỉnh dựa trên phản hồi từ người hành nghề luật.
Chỉ mục là phần cụ thể. OpenAI đã tăng chỉ mục này 34% kể từ tháng 9, thêm hơn 80 triệu URL, đạt tổng cộng hơn 310 triệu và mở rộng phạm vi bao phủ đến Vương quốc Anh, Úc và Canada. Ở phía Hoa Kỳ, nó tuyên bố bao phủ hơn 99,9% án lệ có giá trị tiền lệ đã được công bố, được đo dựa trên dữ liệu bao phủ của CourtListener. Các hướng dẫn là vô hình và không thể kiểm chứng; kích thước chỉ mục là một con số mà ít nhất bạn có thể bắt ai đó phải chịu trách nhiệm.
Một rắc rối thực tế cần lưu ý trước khi bất kỳ điều nào ở trên trở nên hữu ích: thứ này có tới bốn cái tên. Bài đăng của OpenAI gọi nó là Astra for Law. Artificial Analysis liệt kê mục trên bảng xếp hạng là Astra for Law 6.2 (Max). Model id — chuỗi bạn chọn trong ChatGPT khi quyền truy cập đã được bật — là gpt-6.2-astra-law. Các tìm kiếm cho "GPT-6.2 Astra for Law" trả về cùng một sản phẩm. Nếu bạn đang thuyết trình cho đội ngũ thu mua, hãy cung cấp cho họ cả model id lẫn nhãn trên bảng xếp hạng cùng một lúc, vì nếu không thì họ sẽ không thể đối chiếu được hai thứ này với nhau.
20,8% có nghĩa là gì, và tại sao nó không đồng nghĩa với việc “sai 79% số lần”
LAB-AA là bài chạy của Artificial Analysis trên Legal Agent Benchmark của Harvey: 120 bài tập thuộc 24 lĩnh vực pháp luật, từ soạn đề cương lời khai đến rà soát hợp đồng thuê thương mại đến hoạch định thay đổi quyền sở hữu trong các thương vụ mua bán. Cách chấm điểm là được ăn cả ngã về không theo cách có ý nghĩa. Một câu trả lời chỉ được trọn điểm nếu đáp ứng mọi yêu cầu của bài tập và không chứa ảo giác thực chất. Sai một yêu cầu phụ, hoặc khẳng định một tuyên bố không có căn cứ, thì bài tập sẽ được 0 điểm.
Đọc theo cách đó, khoảng cách giữa 20,8% và 15,0% lớn hơn mức năm điểm phần trăm gợi ý: đó là sự khác biệt giữa việc hoàn thành sạch một trong năm nhiệm vụ pháp lý và một trong bảy. Phép tính của chính OpenAI là đúng — 20,8 so với 15,0 là mức tăng tương đối 39%, mà cách diễn đạt “gần 40% thường xuyên hơn” của nó mô tả chính xác, và 20,8 so với 13,1 là 59%, cũng đúng như đã nêu.
Những tiêu chí quyết định liệu điều này có xứng đáng có một khoản mục ngân sách hay không:
• Tính điểm đầy đủ trên LAB-AA — Astra for Law 20,8% so với GPT-6.2 Astra 15,0% so với Muse Wonder Full 13,1%
• Token đầu ra cho mỗi bài tập — khoảng 64.000 so với 139.000 của Muse Wonder Full, giảm 54% với tỷ lệ đạt cao hơn
• Tỷ lệ ảo giác đáng kể trên mỗi bài tập — 0,03 so với 0,06 đối với GPT-6.2 Astra và 0,59 đối với Claude Opus 5.5
• Ảo giác nhỏ trên mỗi bài tập — 0,06 so với 0,51 của Claude Opus 5.5, nhiều hơn khoảng 8,5 lần
• Chi phí cho mỗi bài LAB-AA ở mức Max effort — 7,33 USD so với 6,35 USD của GPT-6.2 Astra và 17,93 USD của Claude Opus 5.5, theo Artificial Analysis
• Không có ảo giác trọng yếu nào trên các tác vụ đáp ứng tiêu chí đạt tất cả, đây là tuyên bố phụ giúp ngăn các kết quả đạt bị mua bằng trích dẫn bịa đặt

Dòng chi phí đáng để xem xét kỹ lần thứ hai vì nó đi ngược lại mô thức thông thường. Ở cùng thiết lập suy luận Max, cấu hình cho lĩnh vực pháp lý tốn thêm 0,98 USD mỗi bài giao so với mô hình cơ sở của chính nó, nhưng lại đạt nhiều hơn 5,8 điểm trọn vẹn và tạo ra ít hơn 54% token đầu ra so với mô hình mà nó đánh bại. Ở đây bạn không trả tiền cho sự dài dòng; bạn trả tiền cho một lớp truy xuất cho phép mô hình dừng sớm hơn. Với một nhóm định giá công việc pháp lý theo giờ, đó là phép tính duy nhất quan trọng, và đó là con số duy nhất trong bản phát hành mà đối thủ không thể sao chép bằng cách tung ra một mô hình lớn hơn.
Tỷ lệ ảo giác là tuyên bố có thời gian bán rã dài nhất.
Artificial Analysis đã đếm các ảo giác trọng yếu — những tuyên bố có thể khiến người đọc hiểu sai về một điểm quan trọng — trên cùng 120 nhiệm vụ. Astra for Law đạt trung bình 0,03 mỗi nhiệm vụ, ngang bằng với GPT-6 về tỷ lệ thấp nhất trong so sánh và bằng khoảng một nửa tỷ lệ của Astra GPT-6.2 thông thường ở mức 0,06. Claude Opus 5.5 đạt trung bình 0,59, tức con số “khoảng 20 lần” mà OpenAI trích dẫn, và tỷ lệ này vẫn đúng: 0,59 chia cho 0,03 là 19,7.
Có một lưu ý đáng được nói thẳng ra thay vì giấu kín, vì nó có hai mặt. Ở quy mô này, các con số rất nhỏ — 0,03 mỗi lượt giao việc trên 120 lượt giao việc chỉ là một vài trường hợp bịa đặt đáng kể trong tổng số — nên chỉ một câu trả lời tồi cũng làm thay đổi tỷ lệ đáng kể. Tỷ lệ gấp 20 lần là một khác biệt thực sự giữa hai lần đo, không phải một hằng số vật lý ổn định, và không nên được trích dẫn cho khách hàng như một bảo đảm cho bất cứ điều gì. Điều nó xác lập được là hướng và quy mô tương đối, và trong một công việc mà chỉ một trích dẫn bịa đặt có thể chấm dứt một mối quan hệ, hướng và quy mô tương đối có giá trị hơn một ước lượng điểm.
Nguồn gốc cũng cần được tách bạch. Artificial Analysis đã chạy đánh giá, nên các con số không phải của OpenAI, nhưng Harvey đã viết benchmark và OpenAI đã làm việc với Harvey trong đợt triển khai tháng Chín. LAB-AA độc lập với nhà cung cấp, chứ không độc lập với tác giả của benchmark. Không có số đếm ảo giác nào từ bên thứ ba trên một bộ nhiệm vụ mà OpenAI không tham gia — đó là lỗ hổng trong bằng chứng, và nó lớn hơn con số 0.03 trên tiêu đề gợi ý.

Ở nơi nó không phải là đầu tiên
Legal Research Bench của Vals AI, được đánh giá vào ngày 16 tháng 11 năm 2026, lại kể một câu chuyện kém nổi bật hơn. Astra for Law đứng thứ sáu với tỷ lệ đạt tất cả là 53,85% trên 208 câu hỏi do các luật sư hành nghề viết về luật liên bang và tiểu bang Hoa Kỳ, xếp sau Gemini 4 Carbon ở mức 55,77% và một nhóm ba mô hình đồng hạng ở 55,29% gồm Muse Spark 1.3 Max, Claude Opus 5 và Claude Fable 5.1.
Đứng thứ sáu với cách biệt 1,9 điểm, nhưng đứng đầu về khía cạnh kinh tế của nhóm dẫn đầu:
• Độ chính xác đạt tất cả — Astra for Law 53,85% so với Gemini 4 Carbon 55,77% và Gemini 4 Argon 54,81%
• Chi phí mỗi lần kiểm thử — 2,75 USD so với 8,74 USD cho Gemini 4 Carbon, 6,76 USD cho Claude Opus 5 và 23,06 USD cho Claude Fable 5.1
• Số token mỗi lần kiểm tra — 77.740 so với 5,36 triệu của Gemini 4 Carbon và 3,13 triệu của Claude Opus 5
• Thời gian mỗi lần kiểm tra — 16 phút 45 giây so với 51 phút 53 giây đối với Gemini 4 Carbon
Cặp cuối cùng đó chính là phần không khớp với tiêu đề. Nó không chỉ rẻ hơn trên mỗi câu trả lời; nó còn tiết kiệm token hơn một bậc độ lớn so với các mô hình phía trên nó, và đây cũng chính là tín hiệu mà số lượng token của LAB-AA đã đưa ra.
Cách chính OpenAI tự trình bày về bài đánh giá chuẩn này cũng đáng được kiểm tra từng dòng. Báo cáo của họ nêu 112 trong số 208 câu hỏi đạt điểm tối đa, mức tăng khoảng tám điểm phần trăm so với khoảng 46% hồi tháng Chín, và 90,9% số điểm khả dụng khi tính cả điểm một phần. Con số 112 và 90,9% khớp với bảng xếp hạng công khai. Mốc khởi đầu 46% không xuất hiện trên đó, vì vậy "tám điểm trong chưa đầy hai tháng" là phép so sánh mà OpenAI đang thực hiện với lần chạy tháng Chín của chính mình và không thể suy ra lại từ những gì Vals công bố hôm nay.
Con số hữu ích nhất trên bảng đó là con số mà OpenAI không đưa ra đầu tiên. GPT-6.2 Astra, cùng mô hình nền không có lớp pháp lý, đạt 42,79% và đứng thứ 31; GPT-6 Astra đứng thứ 42 với 39,42%. Vì vậy, trên một bộ điểm chuẩn mà cả OpenAI lẫn Harvey đều không kiểm soát, cấu hình này có giá trị cao hơn khoảng mười một điểm so với mô hình nền của chính nó. Đó là ước tính độc lập rõ ràng nhất về mức đóng góp thực tế của chỉ mục pháp lý và các hướng dẫn, và nó lớn hơn đáng kể so với mức chênh lệch mà khoảng 20,8 so với 15,0 trên LAB-AA ngụ ý.

Chi phí là bao nhiêu, và con số mà OpenAI chưa công bố
Không có mức giá nào cho cấu hình pháp lý. Đó không phải là thiếu sót trong bài đăng ra mắt; đó chính là bài đăng ra mắt. Truy cập là một yêu cầu, không phải một thao tác thanh toán: mọi khách hàng ChatGPT Enterprise giờ đây đều có thể yêu cầu Astra for Law thông qua Trusted Access Program trong bảng điều khiển quản trị, các nhóm đã có quyền truy cập này chỉ cần chọn gpt-6.2-astra-law trong ChatGPT, và quyền truy cập API được thực hiện qua biểu mẫu liên hệ bộ phận kinh doanh thay vì khóa tự phục vụ.
Đối với việc lập ngân sách, mô hình cơ sở là mức giá công bố duy nhất: GPT-6.2 Astra niêm yết ở mức 8 USD cho mỗi triệu token đầu vào và 40 USD cho mỗi triệu token đầu ra, với đầu vào được lưu đệm ở mức 0,40 USD, cửa sổ ngữ cảnh 1,05 triệu token, tối đa 128.000 token đầu ra và thời điểm cắt kiến thức là ngày 18 tháng 5 năm 2026. Bản ghi của Artificial Analysis cho cấu hình law cũng ghi cùng mức 8 USD và 40 USD — nhưng đó là bảng giá của mô hình cơ sở được áp sang, và nên được coi là giả định làm việc của phòng thí nghiệm đó chứ không phải báo giá từ nhà cung cấp. Con số phái sinh trung thực hơn về mức sử dụng: 7,33 USD cho mỗi bài tập LAB-AA ở mức Max effort, phản ánh số token mà cấu hình thực sự tiêu thụ chứ không phải chi phí danh nghĩa của một token.
Nếu bạn tự xây dựng lớp truy xuất thay vì mua cấu hình, các mô hình nền có thể truy cập bằng một khóa qua OrcaRouter, dịch vụ này cung cấp GPT-6 Astra và dòng OpenAI xung quanh trong một danh mục 215 mô hình theo giá niêm yết của nhà cung cấp với mức phụ trội 0% và chuyển đổi dự phòng tự động khi một nhà cung cấp bị treo giữa chừng. Astra for Law không có trong danh mục đó và không có endpoint công khai nào truy cập được nó — không có gì trong tuyến này là đường tắt đến cấu hình. Điều mà lớp định tuyến làm tốt là phần bạn có thể kiểm soát: một bước nghiên cứu không được phép âm thầm bỏ rơi một trích dẫn là ứng viên hợp lý cho việc một mô hình thứ hai kiểm tra mô hình thứ nhất, và sự kết hợp đó là một lời gọi routing-DSL chứ không phải hai tích hợp nhà cung cấp.
Trong số này có bao nhiêu là lớp pháp lý, và bao nhiêu chỉ là mô hình mới hơn?
OpenAI đã công bố một phép so sánh trả lời câu hỏi mà tiêu đề của chính họ bỏ qua. Trên Legal Agent Benchmark của chính Harvey — một bài kiểm tra khác với LAB-AA, do Harvey chạy thay vì Artificial Analysis — GPT-6 Astra đáp ứng mọi yêu cầu ở 4,6% nhiệm vụ, GPT-6.2 Astra tăng gấp ba con số đó lên 14,6%, và cấu hình dành cho pháp lý đưa nó lên 16,2%.
Hãy đọc cả chuỗi, đừng chỉ nhìn con số cuối cùng. Hai phần ba chặng đường từ 4,6% đến 16,2% là tiến bộ của mô hình nền: cú nhảy từ GPT-6 Astra lên GPT-6.2 Astra, thứ mà bất kỳ khách hàng nào của mô hình nền cũng có được mà không cần xin quyền truy cập bất cứ thứ gì. Phần cấu hình đóng góp 1,6 điểm cuối cùng, mức cải thiện tương đối 11% so với bản nền. Đó là một lợi ích thật và là lợi ích bạn đang được bán, nhưng nó chiếm tỷ trọng nhỏ hơn trong tổng thể so với những gì các bài đưa tin ra mắt ngụ ý — và đây là phần dễ bị các lớp truy xuất riêng của những phòng thí nghiệm khác sao chép lại nhất trong vòng một quý.
Ai nên yêu cầu quyền truy cập và ai nên chờ đợi
Nếu bạn đang ở trong một tenant ChatGPT Enterprise và các luật sư của bạn đã nghiên cứu trong đó, hãy yêu cầu quyền truy cập trong tuần này. Chi phí của việc yêu cầu chỉ là một biểu mẫu, và việc hữu ích đầu tiên bạn có thể làm với nó không phải là chạy benchmark của Harvey mà là chạy benchmark của chính bạn: hai mươi bài tập từ thực tiễn của chính bạn, được chấm theo kiểu được ăn cả ngã về không với quyền phủ quyết nếu có ảo giác, một rubric mà bạn có thể xây dựng trong một buổi chiều và sẽ cho bạn biết nhiều hơn về công việc của bạn so với 20,8% trên benchmark của người khác.
Nếu bạn ở ngoài Enterprise và ngoài chương trình API, thì hiện chưa có gì để mua — không có bảng giá, không có key, không có tình trạng sẵn có từ đối tác. Việc chờ đợi không khiến bạn mất gì mà một quý có quyền truy cập không khắc phục được, và việc không có mức giá được công bố tự nó là thông tin: nhà cung cấp chưa quyết định lớp pháp lý đáng giá bao nhiêu khi tách khỏi mô hình nền tảng.
Nếu bạn đang xây dựng, phát hiện có thể chuyển giao không phải là vị trí trên bảng xếp hạng. Mà là cấu hình đạt điểm cao nhất trên LAB-AA đã dùng ít hơn 54% token đầu ra so với mô hình xếp ngay dưới nó. Kinh tế học theo từng tác vụ, chứ không phải giá theo từng token, mới là nơi AI pháp lý được định đoạt, và một lớp truy xuất cho phép mô hình ngừng nói sớm hơn sẽ rẻ hơn một mô hình thông minh hơn cứ tiếp tục nói.
Ba điều cần theo dõi tiếp theo. Một mức giá được công bố cho cấu hình, sẽ cho biết liệu OpenAI coi đây là sản phẩm cao cấp hay một tính năng được gộp vào Enterprise. Tính khả dụng của API ngoài biểu mẫu yêu cầu, điều quyết định liệu bất kỳ ai có thể tái tạo các con số một cách độc lập. Và con số ảo giác ngoài Hoa Kỳ: chỉ số hiện đã bao phủ Vương quốc Anh, Úc và Canada, nhưng mọi con số được công bố đều đo luật Hoa Kỳ, và dạng lỗi gây tổn hại nhất ở các khu vực pháp lý khác — trích đúng điều khoản nhưng hiểu sai điều đó — là dạng mà không bản mở rộng chỉ số nào tự khắc phục được.
So sánh trong bài viết này2
Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày
