GLM-Legal: Legal Agent của Z.ai đạt 19,2% trên Harvey LAB — và khởi đầu dưới dạng bản beta mà bạn phải đăng ký tham gia

Z.ai công bố GLM-Legal vào ngày 12 tháng 10 năm 2026, và con số mà họ đưa ra đầu tiên là 19,2%. Đó là tỷ lệ đạt tất cả của mô hình trên Harvey LAB, một bài đánh giá quy trình làm việc của hãng luật do nhà cung cấp AI pháp lý Harvey xây dựng trên 24 lĩnh vực hành nghề — và đây chính là con số đáng tin cậy nhất trong đợt phát hành, đơn giản vì nó trông không mấy ấn tượng. Một mô hình pháp lý chỉ giải được chưa đến một trong năm nhiệm vụ trên một bộ kiểm thử nghiêm túc tức là đang được chấm theo một tiêu chuẩn mà chính nhà cung cấp của nó không hề nới lỏng. Phần yếu hơn là mọi thứ xung quanh nó: hai benchmark chủ đạo còn lại, LegalBench và PLawBench, được mô tả là ngang bằng với các "mô hình nguồn đóng tiên phong" không nêu tên và hoàn toàn không kèm con số nào. GLM-Legal được xây dựng trên GLM-5.3-Flash, mô hình nền tảng đa phương thức với tổng 320B tham số, 18B tham số hoạt động của Z.ai, và hiện tại cách để có được nó là một biểu mẫu trên trang tư vấn của nhà cung cấp, chứ không phải một khóa API.

Sự kết hợp đó — một con số thật, được chấm điểm một cách trung thực, cộng với hai tuyên bố tương đương không được định lượng — chính là toàn bộ hình hài của bản phát hành này, và nó đáng được tách bạch ra trước mọi thứ khác.

Điều mà 19,2% trên Harvey LAB nói lên, và điều mà nó không nói

Harvey LAB chấm điểm theo kiểu tất cả đều đạt. Một tác vụ chỉ được tính cho mô hình nếu mọi bước đều thành công: xác định đúng các vấn đề, viện dẫn đúng các điều khoản, phân tích có thể biện luận được, đầu ra được định dạng theo yêu cầu. Đó là một cửa ải khắt khe hơn một benchmark tính điểm từng phần, và đó là lý do con số tuyệt đối thấp chứ không phải lý do mô hình yếu. Z.ai mô tả điều đó như sự xác nhận về "thực thi tác vụ đầu-cuối đáng tin cậy mà không có suy giảm trung gian" — trong một chế độ tất cả đều đạt, đó là điều duy nhất một tác vụ đạt có thể có nghĩa.

So sánh mà Z.ai cung cấp là với mô hình cơ sở của chính mình, và nó nói GLM-Legal cải thiện 12,5 điểm phần trăm. Đối chiếu điều đó với tiêu đề và phép tính hiện ra rõ rành rành:

• GLM-Legal trên Harvey LAB — 19,2% đạt toàn bộ, trên 24 lĩnh vực hành nghề, theo Z.ai.

• Điểm số mô hình cơ sở được suy ra — khoảng 6,7%, vì Z.ai nêu khoảng cách là 12,5 điểm và mô hình cơ sở là GLM-5.3-Flash.

• Tính độc lập — không có. Cả hai con số đều là của chính Z.ai, được đo trên lần chạy của chính Z.ai, và chưa có bên thứ ba nào tái lập được chúng.

• Vai trò của Harvey — Harvey đã xây dựng bộ tiêu chuẩn đánh giá; thông báo không nêu rõ liệu Harvey hay Z.ai đã thực hiện việc đánh giá.

Dòng cuối cùng đó chính là khoảng trống trung thực. “Được xây dựng bởi Harvey” và “được chấm điểm bởi Harvey” là hai tuyên bố khác nhau, và chỉ tuyên bố đầu tiên được đưa ra. Mức tăng 12,5 điểm so với một mô hình nền là một bậc độ lớn hợp lý đối với quá trình huấn luyện giữa (mid-training) theo lĩnh vực cộng với RL — đây là hình hài của chuyên môn hóa pháp lý khi nó vận hành hiệu quả — nhưng cho đến khi có ai đó bên ngoài Z.ai chạy lại harness, đó vẫn là một con số của nhà cung cấp, và nên được trích dẫn như một con số của nhà cung cấp.

Hai tuyên bố không có số kèm theo

LegalBench bao gồm phân tích cú pháp hợp đồng, hồ sơ sáp nhập và ý kiến tư pháp; PLawBench bao gồm tư vấn pháp luật Trung Quốc, phân tích vụ án và soạn thảo văn bản theo các tiêu chí đánh giá chi tiết. Tuyên bố của Z.ai về benchmark đầu tiên là GLM-Legal phân tích chúng "với độ chính xác của các mô hình tiên phong mã nguồn đóng hàng đầu", và về benchmark thứ hai là nó "đạt được sự ngang bằng với các hệ thống tiên phong hàng đầu."

Cả hai tuyên bố đều mang tính định tính. Không tuyên bố nào đi kèm điểm số, khoảng tin cậy hay một đối tượng so sánh được nêu tên. Đó không phải là lý do để không tin chúng — GLM-5.3-Flash là một nền tảng mạnh, và một dẫn xuất chuyên biệt theo lĩnh vực của một nền tảng mạnh thường đạt được mức ngang bằng về suy luận chuyên lĩnh vực — nhưng một tuyên bố ngang bằng mà bạn không thể gán con số cho nó thì về bản chất là không thể kiểm chứng, và hai phát biểu định lượng trong bản công bố đều nói về cùng một benchmark. Người đọc so sánh bản ra mắt này với bản ra mắt của một đối thủ nên nhận ra rằng bản công bố thực chất là một kết quả được đo lường cộng với hai kết quả được lập luận.

Điều mà quá trình huấn luyện thực sự đã thay đổi

Chi tiết về phương pháp luận ở đây quan trọng hơn so với một lần tinh chỉnh theo lĩnh vực thông thường, bởi vì GLM-Legal là một dạng chuyên biệt hóa ở cấp độ trọng số chứ không phải một sản phẩm truy xuất. Z.ai không phát hành một chỉ mục án lệ; họ đã thay đổi chính mô hình. Hai giai đoạn:

• Huấn luyện trung gian — mở rộng các kho ngữ liệu pháp lý chất lượng cao, dạy các quy tắc luật định và khung diễn giải trong bối cảnh chuyên ngành dày đặc, nhằm củng cố chuỗi suy diễn từ sự kiện đến quy tắc đến kết luận.

• Hậu huấn luyện — học tăng cường trên cái mà Z.ai gọi là "hàng chục nghìn môi trường pháp lý thực tế", nơi mô hình học cách lập kế hoạch phân tích, thúc đẩy quy trình làm việc và tạo ra sản phẩm bàn giao dưới những ràng buộc cụ thể.

Phần khác thường nằm ở vòng lặp bao quanh giai đoạn hậu huấn luyện. Z.ai mô tả agent harness — lớp điều phối thời gian chạy, nơi chuẩn bị ngữ cảnh, kết nối công cụ và định tuyến phản hồi thực thi — như thể nó đồng tiến hóa với mô hình thay vì nằm cố định bên dưới mô hình. Các trường hợp biên xuất hiện trong huấn luyện đã làm lộ ra những điểm nghẽn của harness; những cải tiến harness lại cho mô hình tiếp xúc với các ràng buộc thực thi thực tế hơn. Mục đích được nêu là ngăn chặn kiểu thất bại kinh điển của mô hình theo miền, trong đó kiến thức được thêm vào nhưng hành vi quy trình làm việc thì không.

Liệu điều đó có khái quát hóa được hay không chính là điều mà chỉ số 19,2% all-pass đang kiểm tra. Đó là một tuyên bố về độ tin cậy, không phải một tuyên bố về kiến thức, và đó là thứ đúng đắn để lấy làm thước đo cho một triển khai pháp lý.

Ba bản demo, đọc thật kỹ

Bài đăng trên blog cho thấy GLM-5.3-Flash và GLM-Legal cùng trả lời ba lời nhắc giống hệt nhau, đặt cạnh nhau để so sánh. Phép so sánh này do chính nhà cung cấp biên soạn và các lời nhắc cũng do nhà cung cấp chọn, nên nó chứng minh được ít hơn so với một cuộc đối đầu trực diện — nhưng những khác biệt vẫn đủ cụ thể để mang lại thông tin hữu ích.

Rà soát hợp đồng. Nhiệm vụ là một hợp đồng dịch vụ phần mềm cho một khách hàng đang chuyển đổi nhà cung cấp. Lời khuyên của mô hình cơ sở là hợp lý và chung chung: rút ngắn thời hạn thông báo, yêu cầu nhà cung cấp trả lại dữ liệu và các sản phẩm bàn giao đã trả tiền, bổ sung nghĩa vụ hợp tác với nhà cung cấp thay thế. Lời khuyên của GLM-Legal có cùng dạng nhưng giải quyết các con số — giảm thời hạn thông báo chấm dứt tùy ý từ 60 xuống 30 ngày, loại bỏ hoàn toàn thời gian khắc phục đối với vi phạm nghĩa vụ sở hữu trí tuệ, bảo mật hoặc an ninh dữ liệu, yêu cầu trả lại sản phẩm công việc dù đã được thanh toán hay chưa, và bổ sung tối đa 90 ngày hỗ trợ chuyển đổi theo mức giá hiện hành của nhà cung cấp tại thời điểm đó. Đó là sự khác biệt giữa một danh sách kiểm tra và một bản chỉnh sửa đánh dấu. Z.ai cho biết AutoClaw áp dụng những chỉnh sửa đó vào tài liệu Word dưới dạng thay đổi được theo dõi và nhận xét.

Phân tích bằng chứng.Bốn mươi tài liệu từ một tranh chấp dự án phần mềm. Mô hình cơ sở phát hiện mâu thuẫn giữa báo cáo khách hàng ngày 30 tháng 9 khẳng định hoàn thành 60% và ảnh chụp nội bộ ở khoảng 41%, và nói đúng rằng các tài liệu "có thể hỗ trợ" lập trường của khách hàng. GLM-Legal liên kết cảnh báo nội bộ ngày 8 tháng 9 rằng cột mốc không thể được đáp ứng một cách trung thực, ảnh chụp 41% và chỉ thị của ban điều hành yêu cầu che giấu rủi ro và tiếp tục xuất hóa đơn thành một lý thuyết che đậy duy nhất, rồi viện dẫn các điều khoản thanh toán không từ bỏ quyền và bảo hành còn hiệu lực của thỏa thuận dịch vụ chủ đạo làm lý do việc tiếp tục thanh toán không giải quyết tranh chấp. Mô hình cơ sở tìm ra sự kiện; GLM-Legal xây dựng lập luận và nêu tên các yếu tố khiếu nại vẫn cần kiểm chứng.

Nghiên cứu tuân thủ. Một website ra mắt tại Singapore, Malaysia và Indonesia có theo dõi, tiếp thị qua email và lưu trữ đám mây ở nước ngoài. Mô hình cơ sở tạo ra một danh sách việc cần làm trước khi ra mắt đạt yêu cầu. GLM-Legal tạo ra một danh sách được ưu tiên hóa với các móc nối luật định — SG PDPA s26, MY PDPA s129, ID PDP Law Arts 55–56 — và tách biệt các kiểm soát dùng chung khỏi các câu hỏi đặc thù theo thị trường.

Các trích dẫn điều luật là phần mà một luật sư có thể kiểm tra trong một buổi chiều, và đó là lý do khiến các bản demo đáng để đọc. Phần mà họ không cho thấy là cách mô hình hành xử trong một vụ việc mà câu trả lời đúng là khách hàng sai.

Truy cập: biểu mẫu ngay, AutoClaw sau

Không có giá được công bố và không có endpoint công khai. Lời kêu gọi hành động của Z.ai là "Join the GLM-Legal Beta", hướng đến các công ty luật, công ty công nghệ pháp lý, đội ngũ pháp chế nội bộ và những người hành nghề độc lập, với quyền truy cập API nằm sau một đơn đăng ký tại trang tư vấn của nhà cung cấp. Đoạn về AutoClaw được viết ở thì tương lai — "you'll soon be able to put these capabilities to work in AutoClaw" — vì vậy nền tảng tác nhân trên máy tính để bàn là một tích hợp sắp ra mắt, không phải một tích hợp đã phát hành, và Z.ai không cam kết một ngày cụ thể cho cả hai.

Nếu bạn muốn xây dựng dựa trên mô hình nền tảng ngay hôm nay, thì sự phân chia trung thực là: bản nền tảng đã có sẵn còn biến thể pháp lý thì chưa. GLM 5.3 Flash có trong danh mục của OrcaRouter ở đúng mức giá niêm yết của Z.ai, không cộng thêm phụ phí — 0,15 USD mỗi triệu token đầu vào và 0,50 USD mỗi triệu token đầu ra, với lượt đọc từ cache ở mức 0,030 USD — nên khi nhà cung cấp thay đổi giá của mô hình đó, phía chúng tôi cập nhật ngay trong cùng ngày chứ không phải đợi đến cuối chu kỳ hợp đồng. Một khóa API truy cập được hơn 200 mô hình, và cơ chế chuyển đổi dự phòng tự động nghĩa là bạn có thể trỏ một luồng staging vào mô hình nền tảng mà không đặt cược tuyến production vào đó. Mọi thứ trong ba bản demo không phụ thuộc vào quá trình hậu huấn luyện pháp lý — tái cấu trúc một bộ điều khoản bạn cung cấp, định dạng đầu ra theo mẫu của công ty, tạo danh sách kiểm tra đánh giá sơ bộ — bạn đều có thể tạo nguyên mẫu trên GLM 5.3 Flash ngay bây giờ và đổi model id khi bản beta mở ra. Còn mọi thứ phụ thuộc vào phần chuyên biệt hóa thì bạn không thể tạo nguyên mẫu, vì phần chuyên biệt hóa chính là phần nằm sau biểu mẫu.

Điều gì sẽ thay đổi câu chuyện này?

Ba điều, theo thứ tự mức độ quan trọng. Một con số cho LegalBench và PLawBench — những tuyên bố tương đương là phần trụ cột đối với bất kỳ ai đang chọn một mô hình pháp lý, và hiện tại chúng là thứ khó kiểm chứng nhất. Một lần chạy độc lập Harvey LAB, lý tưởng nhất là lần mà Harvey chứ không phải Z.ai kiểm soát bộ khung đánh giá. Và một mức giá, vì một mô hình chuyên ngành có chi phí cao hơn đáng kể cho mỗi vụ việc so với mô hình nền của nó thì phải chứng minh khoản chênh lệch đó bằng tỷ lệ đạt tất cả chứ không phải bằng độ trau chuốt.

Cả ba đều chưa xuất hiện. Thứ đã xuất hiện là một mô hình thực sự chuyên biệt, được xây dựng trên nền tảng 18B-active, với một bài benchmark được chạy theo tiêu chuẩn chấm điểm nghiêm ngặt đến mức 19,2% đọc lên vẫn đáng tin, cùng một quy trình truy cập cho thấy nhà cung cấp chưa đủ tự tin để đưa nó lên bảng giá.

Đối với một nhóm pháp lý đang quyết định sẽ làm gì với thông báo của tuần này, câu trả lời có lẽ cũng giống như với bất kỳ bản phát hành nào phải đăng ký mới dùng được: hãy đọc các bản demo để thấy những kiểu thất bại mà chúng bộc lộ, tự kiểm tra các trích dẫn điều luật, và xây dựng pipeline bao quanh trên một mô hình mà bạn thực sự có thể gọi ngay hôm nay, để việc thay một model id là toàn bộ quá trình chuyển đổi.

chuyển đổi dự phòng tự động nghĩa là bạn có thể trỏ một đường dẫn staging vào mô hình cơ sở mà không phải đặt cược tuyến production vào nó.