GLM-Legal 与 TwIL-LM3-Pro：这道关卡，一边是许可证，另一边是表单

一个以基准分数和申请表形式存在的法律智能体，对比一个你今天下午就能下载、却几乎无处可部署的形式逻辑模型。GLM-Legal和TwIL-LM3-Pro都是相隔数周发布的窄域专用模型——一个由Z.ai基于GLM-5.3-Flash构建，用于合同审查、证据分析和合规；另一个是来自webAI、为形式逻辑打造的3.66B参数推理模型，衍生自IBM的granite-4.2-3b。它们并非争夺同一个位置的对手，本页也不会假装它们互为对手。让它们值得并排比较的是，它们代表了2026年专用模型呈现出的两种截然不同的形态，而每种形态都有各自不可获取的方式：TwIL-LM3-Pro以禁止商业使用的许可证发布，GLM-Legal则需通过测试版申请获取，却完全没有公开许可证、价格或端点。

如果你来到这里是为了决定该采用哪一个，简短的答案是：一个是你在法律上无法使用的文件，另一个是你还买不到的服务。更长的答案则关乎这两个问题中，哪一个实际上能在本季度解决。

规格，以及它们排除了什么

参数差异足够大，以至于它改变了每个模型的用途，所以在争论之前，值得先把这些数字列出来：

• 规模与形态——GLM-Legal 衍生自一个总参数量 320B、激活参数量 18B 的多模态基础模型；TwIL-LM3-Pro 则是一个 3.66B 的稠密解码器，参数数量精确为 3,659,737,600，共 40 层，以 bf16 精度运行时占用 6.82 GiB，或以 Q4_K_M GGUF 格式运行时占用 2.09 GiB。

• 上下文——GLM-Legal 沿用 GLM-5.3-Flash 的 100 万 token 窗口；TwIL-LM3-Pro 则保持 granite-4.2-3b 的 131,072 个 token 不变。

• 它的训练数据 — 中期训练中的法律语料库，以及在数万个真实法律环境中进行的强化学习；相比之下，则是在合成形式逻辑语料库上进行 rank-64 LoRA 监督微调、多路径蒸馏、检查点融合，以及针对程序化验证器的熵加权 GRPO 阶段。

• Modality — GLM-Legal's base takes text, image and video in; TwIL-LM3-Pro is text in, text out, with a <think>…</think> block before the answer.

• 分发 — API 访问申请表单，对比 Hugging Face checkpoint、LiteRT-LM 端侧构建版本，以及企业级合作安排。

• 已发布的基准测试 — 第三方评测框架上的一个"全部通过"的数字，外加两项未经量化的对等性声明，对比之下，厂商在自建评测框架上跑出的一整套详细数字，模型卡本身也承认这些数字在某些方面尚无定论。

最底下那两行才是决定其余一切的内容。先看部署那一行：GLM-Legal 没有公开端点，TwIL-LM3-Pro 没有商业许可证。这份对比中的其他所有内容都由此衍生而来。

像 TwIL-LM3-Pro 自己的模型卡那样解读它的数字

webAI 发布了一份异常坦诚的评估材料，其中最有用的内容是一句原本会从营销页面上被删掉的话。在宏观门槛上——0.5539 对 Qwen3-8B 的 0.5336——卡片写道，领先幅度为 0.020，“小于每条赛道 n = 200 时的采样噪声”，并告诉读者应将其评为持平，而非胜出。

在模型真正与 Qwen3-8B 拉开差距的地方，领先幅度是真实且可衡量的：

• Strict-7——0.2879 对 0.2093，这一行在任何地方都没有使用宽松匹配加分，因此不可能是由格式凑巧产生的。

• Strict MCQ—— 0.4100 对比 0.0000，是十一个已报告行中最宽的通道差距。

• 语料拟合——在所有分支中，语言模型困惑度最低，为 2.3130，相比之下为 2.5478。

• 留出套件——该模型并未领先。十个数据集的宏平均为 0.7901，在统计上与其自身基线的 0.7942 持平，并落后于 Qwen3-8B 的 0.8493。

• 在专项方向内——FOL 翻译精确匹配率为 0.0100，语义解析精确匹配率为 0.0000，两项数据均由供应商披露。

这就是一个狭隘专才在被如实记录时的样子：在它专为打造的特定赛道上很强，在通用推理上持平或落后，并且在两种特定输出格式上很差。这也是许可证为何如此重要的原因。如此专门的模型只有一项工作，如果那项工作是商业性的，许可证就会完全阻止它。

以同样的怀疑解读GLM-Legal的数字

Z.ai 的发布以 Harvey LAB 上 19.2% 的全通过率领衔，Harvey LAB 是一项覆盖 24 个执业领域的律所工作流评测，并且相较 GLM-5.3-Flash 提升了 12.5 个百分点。两者都是厂商自己的数据。第二个数字意味着基础模型的全通过率大约在 6.7% 左右，这说明全通过标准有多严苛：一个任务只有每一步都成功才算数，因此较低的绝对值是严格评分的预期结果，而非模型薄弱的证据。

另外两项头条基准测试不附带任何数字。LegalBench——合同解析、并购申报文件、司法意见书——被描述为与“顶级闭源前沿模型的精度”相匹配。PLawBench，这个中国法律实务套件，被描述为达到“与领先前沿系统持平”。这两项说法都没有指明对照对象，也没有附上分数。若将同样的标准应用于 TwIL-LM3-Pro 的模型卡，就会追问这个法律模型在格式精确性赛道上的表现如何，而并没有答案，因为没有人公布过。

GLM-Legal 所发布而 TwIL-LM3-Pro 未发布的一件事，是展示其专业化能力确实奏效的演示。在一项涉及 40 份文件的项目争议中，GLM-5.3-Flash 发现了完成度为 60% 的客户报告与 41% 的内部快照之间的矛盾，并称这些文件可能支持客户的立场。GLM-Legal 将早先的内部警告、该快照以及一项隐瞒风险并继续开票的指示串联成一个隐瞒理论，随后援引协议中的“付款不放弃权利”条款，并列明仍需检验的索赔要素。这是否能够推广尚不可知。它与其基础模型存在实质性行为差异，这一点显而易见。

“我能在生产环境中使用这个吗”的诚实答案

两个答案都是否定的，而这两个“不”有着不同的有效期。

TwIL-LM3-Pro 的障碍在于许可证，而许可证会随一次决定而改变。该检查点托管在 Hugging Face 上，遵循 webAI 自己的非商业条款；重新授权，或采用获得商业许可的 LiteRT-LM 构建版本，就能在一个下午之内让这个模型从研究产物变成可部署组件。10 月 1 日出现的端侧构建沿用了父仓库的限制，而这正是在围绕它做规划之前需要核实的事项。

GLM-Legal 的阻碍在于一个项目，而项目会随合同而变。访问需经由一个面向律师事务所、法律科技公司、企业内部团队和独立执业者的申请流程，既无公布价格，也无公开端点。AutoClaw 集成是用将来时写的。对于受监管部署来说，这比限制性许可证更棘手，因为你无法在无法调用的东西之上构建。

此外，还有一个两个发布版本都未回答的数据问题。webAI 称该系列在一个月内下载量突破了五十万次——这是厂商数据，未经审计——而免费非商业检查点的下载量并不能作为生产使用的替代指标。GLM-Legal 的 beta 条款尚未公开，这与不可接受不同，却等同于风险委员会无法评估。

当两扇门都关闭时，该以什么为基础来构建

实际可行的做法是把专用模型与流水线分开，因为流水线才是你真正会拥有的东西。如今这两个专用模型都无法在任何地方路由；可路由的是 GLM-Legal 底层的通用模型以及周边步骤。

GLM 5.3 Flash 已上架 OrcaRouter 目录，按 Z.ai 的标价提供，加价 0%——每百万输入 token 收费 $0.15，每百万输出 token 收费 $0.50，缓存读取收费 $0.030——因此基础模型的供应商价格一变，我们这边当天就会同步生效。一个密钥即可访问 200 多个模型，正因如此，法律工程团队现在就能在基础模型上对起草、模板化和清单步骤进行原型验证，并在 beta 开放时只改一个模型 id。自动故障转移让这种原型验证变得安全：预发布路由可以指向一个尚未经任何人独立评估的模型，而不必让生产路径依赖它。

就整体图景中形式逻辑的那一半而言，本地检查点与托管通用模型是互补关系，而非替代关系，而模型融合正是把这一点落到实处的机制——一组模型共同作答，这样，一个执行严格蕴涵判断或 Lean 语句形式化的小型运行器，就能与负责围绕它进行文字表述的托管模型并肩工作。webAI 自己的数据所暗示的分工正是显而易见的那种：在交付物是一个标签的地方运行本地模型，而把所有必须以文字形式返回的内容都路由出去。

最不该做的，就是把这两者中的任何一个当成一个决定。TwIL-LM3-Pro 是一个 2.09 GiB 的下载，评估它不花分文，放弃它也毫无代价。GLM-Legal 是一份表格，早点填好无非是花你一个下午。

哪一个，如果它确实是二者之一的话

它们的重叠程度不足以让单一答案有用，所以诚实的回答是有条件的。如果你的问题是蕴含标注、Lean 陈述形式化、语义解析，或者输出是标签而非行文的气隙隔离处理，那么两者中 TwIL-LM3-Pro 更合适，而许可证是你唯一真正的障碍。如果你的问题是按规范起草、跨具名法域的法定合规，或对你已持有的文档集进行推理分析，那么 GLM-Legal 正是针对这些，而 TwIL-LM3-Pro 根本没有公布任何法律证据。

它们的共同点是：两家厂商都还没有为这款专用产品定价，而且都在自己的评测框架上，以自家基础模型为基准来评定各自的主打结果。这并不是否定这两次发布的理由——GLM-Legal 的 19.2% 之所以可信，恰恰是因为评分很严苛；而 TwIL-LM3-Pro 的模型卡也足够诚实，连自己的零结果都印了出来。这倒是一个理由：围绕一个你今天就能调用的模型来规划集成，并把这两者都视为等准入开放后再采用的升级，而不是作为你据以构建的基础。

TwIL-LM3-Pro 的限制在于法律文本，而法律文本是这一比较中供应商无需发布任何东西就能更改的唯一一项。GLM-Legal 的限制则是一个关于测试版何时成为产品的商业决策。两者之中，要留意许可证——它是唯一可能毫无预警就发生变化的一项。

模型融合正是让这一点变得具体的机制——一组模型共同作答，因此，一个执行严格蕴含或 Lean 语句形式化的小型运行器，可以与一个负责周边叙述的托管模型并排共存。