GLM-Legal：Z.ai 的法律智能体在 Harvey LAB 上得分 19.2%——并以需申请的 Beta 版启动

Z.ai 发布了GLM-Legal，发布时间为 2026 年 10 月 12 日，它打头亮出的数字是 19.2%。这是该模型在 Harvey LAB 上的全通过率——Harvey LAB 是由法律 AI 厂商 Harvey 打造的律所工作流评测，覆盖 24 个业务领域——而这恰恰是本次发布中最值得信赖的数字，原因正是它看起来并不起眼。一个在严肃评测框架下连五分之一任务都通过不了的法律模型，是在按一套自家厂商都没有放宽的标准接受评分。更薄弱的是它周围的一切：另外两个主打基准 LegalBench 和 PLawBench 被描述为与未具名的“前沿闭源模型”持平，却一个数字都没有给出。GLM-Legal 基于GLM-5.3-Flash构建，这是 Z.ai 总参数 320B、激活参数 18B 的多模态基础模型；而眼下要获取它，得填厂商咨询页面上的表单，而不是拿一把 API 密钥。

那种组合——一个真实的、经过诚实评分的数字，加上两项未量化的性能持平声明——正是此次发布的全貌，值得在任何其他事情之前先加以区分。

Harvey LAB 上的 19.2% 说明了什么，以及它没有说明什么

Harvey LAB 采用全通过（all-pass）评分标准。一项任务只有每一步都达标，才会被计入该模型的成绩：识别出正确的问题、引用正确的条款、分析站得住脚、输出符合简报要求的格式。这比部分给分的基准测试是更严苛的关卡，也正是绝对数值偏低的原因，而不是因为模型弱。Z.ai 将其表述为对“可靠的端到端任务执行，无中间性能退化”的确认——在全通过机制下，一项任务通过也只能意味着这一点。

Z.ai 提供的对比是与其自家基础模型进行的，并称 GLM-Legal 提升了 12.5 个百分点。把这个与标题对照来看，算术结果非常刺眼：

• GLM-Legal on Harvey LAB —— 全通过率 19.2%，覆盖 24 个执业领域，据 Z.ai 称。

• 隐含的基座模型得分——约为 6.7%，因为 Z.ai 称差距为 12.5 个百分点，而基座模型是 GLM-5.3-Flash。

• 独立性 —— 无。这两个数字均为 Z.ai 自身所有，是在 Z.ai 自己的运行中测得的，且没有任何第三方复现过。

• Harvey 的角色——该基准由 Harvey 构建；公告未说明评测是由 Harvey 还是 Z.ai 执行的。

最后那句话才是真正坦诚的缺口。“由 Harvey 构建”和“由 Harvey 评分”是不同的说法，而目前只给出了第一种。相比基础模型提升 12.5 个百分点，对于领域中期训练加 RL 来说是一个合理的数量级——这就是法律专业化在奏效时的样子——但在 Z.ai 之外的某个人重新运行该评测框架之前，它只是一个厂商数字，而且应该被当作厂商数字来引用。

这两个没有附带编号的声明

LegalBench 涵盖合同解析、并购申报和司法意见；PLawBench 涵盖中文法律咨询、案例分析和文书起草，并采用细粒度评分细则。Z.ai 就前者声称，GLM-Legal 能“以顶级闭源前沿模型的精度”解析它们；就后者声称，它“达到与领先前沿系统相当的水平”。

这两项主张都是定性的。二者都没有附带评分、置信区间或具名的对照对象。这并不是不可信的理由——GLM-5.3-Flash 是一个强大的基座，而强大基座的领域专用衍生版本在领域推理上确实常常能达到相当水平——但一项无法用数字衡量的持平主张，从设计上就不可核查，而发布稿中的两项定量陈述又都针对同一个基准。读者在将此次发布与竞争对手的发布相比较时，应当注意到：这份发布实质上是一项测量结果加上两项论证性主张。

训练实际上改变了什么

在这里，方法论细节比在典型的领域微调中更重要，因为 GLM-Legal 是权重层面的专业化，而不是检索产品。Z.ai 并未发布判例法索引；它改变了模型。两个阶段：

• 中期训练——扩充高质量法律语料库，在密集的领域语境中传授成文法规则与解释框架，以强化从事实到规则再到结论的演绎链条。

• 训练后——在Z.ai所称的“数万个真实法律环境”中进行强化学习，模型学会在具体约束下规划分析、推进工作流程并产出交付成果。

不寻常之处在于围绕后训练阶段的循环。Z.ai 将智能体运行框架——负责分阶段准备上下文、连接工具并路由执行反馈的运行时编排层——描述为与模型共同演进，而不是固定在其下方。训练中浮现的边缘情况暴露了框架瓶颈；框架的改进又让模型接触到更真实的执行约束。其宣称目的是阻止经典的领域模型失败：知识被添加，但工作流行为却没有。

这种情况能否泛化，正是19.2%全部通过率所检验的内容。这是一种可靠性主张，而非知识主张，而这正是法律部署应当被衡量的方面。

三个演示，细细读来

这篇博客文章并排展示了 GLM-5.3-Flash 和 GLM-Legal 回答同样三个提示词的结果。该对比由厂商撰写，提示词也由厂商挑选，因此其说服力不如正面对决——但这些差异足够具体，仍能提供有价值的信息。

合同审查。该任务涉及一份客户更换供应商的软件服务合同。基础模型的建议合理但笼统：缩短通知期，让供应商返还数据和已付费的交付物，增加与替代供应商合作的义务。GLM-Legal 的建议形态相同，但把数字落到了实处——将便利终止的通知期从 60 天缩短至 30 天，对违反知识产权、保密或数据安全义务的情形完全取消补救期，要求返还工作成果，无论是否已付款，并增加最多 90 天的过渡协助，按供应商当时的费率计费。这就是检查清单与红线修改稿之间的差别。Z.ai 表示，AutoClaw 会将这些修改以修订和批注的形式应用到 Word 文档中。

证据分析。来自一起软件项目纠纷的四十份文件。基础模型发现了9月30日客户报告声称已完成60%与内部快照显示约41%之间的矛盾，并正确指出这些文件“可能支持”客户的立场。GLM-Legal将9月8日内部警告——即该里程碑无法如实达成——、41%的快照以及一名高管要求压制该风险并继续开票的指示，串联成一个统一的隐瞒理论，然后引用主服务协议中的“付款不放弃权利”和“存续保证”条款，作为继续付款并不能解决争议的理由。基础模型找到了事实；GLM-Legal构建了论证，并列出了仍有待检验的索赔要素。

合规研究。一个将在新加坡、马来西亚和印度尼西亚上线，并涉及跟踪、电子邮件营销和海外云存储的网站。基础模型会生成一份合格的上线前待办事项清单。GLM-Legal 则会生成一份按优先级排序、带法条依据的清单——新加坡 PDPA 第26条、马来西亚 PDPA 第129条、印度尼西亚 PDP 法第55–56条——并将共享控制措施与特定市场问题区分开来。

法条引用是律师用一下午就能核实的那部分，也正是这些演示值得一读的原因。它们没有展示的，是在正确答案是客户错了的事项上，模型会如何表现。

访问方式：现在填表，稍后使用 AutoClaw

没有公布价格，也没有公开端点。Z.ai 的行动号召是“加入 GLM-Legal Beta”，面向律师事务所、法律科技公司、企业内部团队和独立执业者，API 访问需在供应商的咨询页面提交申请。关于 AutoClaw 的那段文字是用将来时写的——“你很快就能在 AutoClaw 中运用这些能力”——因此这个桌面智能体平台是即将进行的集成，而不是已经发布的集成，而且 Z.ai 没有为二者中的任何一个承诺日期。

如果你想现在就基于底层模型进行构建，说句实话，情况是这样的：基础版本已经可用，而法律变体还没有。GLM 5.3 Flash 已上架 OrcaRouter 目录，按 Z.ai 的标价提供，未加任何加价——每百万输入 token 0.15 美元，每百万输出 token 0.50 美元，缓存读取为 0.030 美元——因此该模型的供应商价格变动当天就会反映到我们这边，而不是等到合同周期结束时才体现。一个密钥即可访问 200 多个模型，而自动故障转移意味着你可以让预发布路径指向基础模型，而不必拿生产路由去冒险。三个演示中所有不依赖法律后续训练的部分——重构你提供的条款集合、将输出格式化为律所模板、生成初版审查清单——现在都可以在 GLM 5.3 Flash 上做原型，等 beta 开放时再替换模型 id。而所有依赖该专门化能力的部分都无法做原型，因为专门化正是那层表单背后的东西。

什么会改变这个故事？

三件事，按重要性排序。LegalBench 和 PLawBench 的数字——对任何选择法律模型的人来说，性能持平的说法是最关键的支撑，而它们目前却是最难核查的。由独立方运行 Harvey LAB，最好是由 Harvey 而非 Z.ai 控制测试框架。以及价格，因为一个领域模型如果每个事务的成本明显高于其基础模型，就必须靠全通过率而非润色来挣得这一差价。

这三者一个都还没到来。真正到来的是一个真正专用化的模型，构建在 18B 活跃参数的基础之上，只有一项基准测试是在严格到足以让 19.2% 显得可信的评分标准下运行的，并且其访问流程表明，供应商还没有足够信心把它列入收费价目表。

对于法务团队来说，决定如何应对本周的公告，答案可能和面对任何申请制发布的版本一样：阅读演示，留意其中暴露的失败模式，自行核对法条引用，并把周边流程搭建在一个你今天就能实际调用的模型上，这样整个迁移就只是换一个模型 ID。

自动故障转移意味着你可以将暂存路径指向基础模型，而不必为此押上一条生产路由。