智谱发布 GLM-Legal：以轻量基座训练法律智能体，Harvey LAB 全通过率 19.2%
发布时间: 2026-10-14 06:40
创建时间: 2026-10-14 23:30
图文
🔗 原文链接
🖨️ 打印
摘要： 2026 年 10 月 12 日，智谱（Z.ai）在官方博客发布法律领域模型 GLM-Legal，定位为 Agentic Legal Intelligence。按智谱的说法，GLM-Legal 以智能体方式工作，可以完成从阅读材料到交付文件的整个任务。智谱英文名曾为 Zhipu AI，2026 年 1 月 8 日在香港联合交易所上市，股票代码 02513.HK。GLM-Legal 的基座是 GLM...
2026 年 10 月 12 日，智谱（Z.ai）在官方博客发布法律领域模型 GLM-Legal，定位为 Agentic Legal Intelligence。按智谱的说法，GLM-Legal 以智能体方式工作，可以完成从阅读材料到交付文件的整个任务。智谱英文名曾为 Zhipu AI，2026 年 1 月 8 日在香港联合交易所上市，股票代码 02513.HK。GLM-Legal 的基座是 GLM-5.3-Flash。这款模型于 2026 年 8 月 26 日发布，总参数 3200 亿，每个 token 激活 180 亿，上下文最长 100 万 token，以 MIT 许可证开放权重。同系列的 GLM-5.3 总参数为 7440 亿，Flash 是它的轻量版本。智谱在博客中强调，GLM-Legal 以明显更精简的参数规模，取得了接近前沿闭源模型的成绩。关于为何选择法律领域，智谱的解释是，大模型正从单轮代码生成走向更广泛的专业协作（Professional Cowork）。真实的知识工作要求模型在明确目标和交付期限下消化零散材料，把专业知识组织成连贯的分析，并在整个执行过程中保持专业上的严谨。法律工作集中体现了这些要求，从事实、法律规则、分析推理到交给客户的成果，必须前后贯通。因此，智谱把法律视为检验模型能否胜任高风险专业工作的“压力测试”。
GLM-Legal 的评测表现
在 Harvey LAB 上，GLM-Legal 的全通过率为 19.2%，比基座模型高 12.5 个百分点，也高于智谱图表中其余三个对比模型。在 LegalBench 和 PLawBench 上，它与 Kimi K3 持平或略高，但略低于 Claude Fable 5。模型 | Harvey LAB 全通过率（%） | LegalBench | PLawBench |
GLM-Legal | 19.2 | 86.2 | 77.3 |
GLM-5.3-Flash（基座） | 6.7 | 83.9 | 73.8 |
Kimi K3（月之暗面，Moonshot AI） | 12.9 | 86.2 | 76.2 |
Claude Fable 5（Anthropic） | 11.3 | 88.6 | 77.7 |
GPT-6 Astra（OpenAI） | 5.4 | 87.1 | 69.1 |
Harvey LAB 是美国法律 AI 公司 Harvey 于 2026 年 5 月 6 日开源发布的法律智能体评测基准（Legal Agent Benchmark）。首版包含 1200 多项任务，覆盖 24 个执业领域，配有 7.5 万多条由专家撰写的评分标准。任务取材于执业律师处理过的真实客户事项，再拆分成律师通常交给助理律师完成的具体工作。评分采用“全通过”制，一项任务的所有标准都通过才算完成，不给部分分。LegalBench 是由斯坦福大学研究团队发起、法律界协作构建的法律推理评测集，共有 162 项任务，来自 40 位贡献者。智谱称，GLM-Legal 在解析专业合同、并购文件和司法判决时，精度与顶尖闭源模型相当。PLawBench 是中文法律实务评测集，覆盖法律咨询、案例分析和文书起草，按细粒度评分标准打分。根据魔搭社区（ModelScope）评测框架 EvalScope 的说明文档，PLawBench 共有 280 个样本，其中案例分析 250 个，法律咨询 18 个，起诉状和答辩状起草各 6 个。智谱表示，Harvey LAB 和 LegalBench 的成绩由评测机构 Vals AI 独立评估。Vals AI 网站显示，GLM-Legal 在 Harvey LAB 上的成绩为 19.17%（误差范围 ±3.25），在 79 个模型中排第 7 位；在 LegalBench 上为 86.23%（误差范围 ±0.41），在 150 个模型中排第 14 位。GLM-Legal 的训练方法
GLM-Legal 的训练分为三个层次。中训练补充法律知识，后训练通过强化学习提升任务执行能力，实际使用中的反馈再回流到下一轮训练。第一层是中训练（Mid-training），作用是打牢领域基础。智谱扩充了高质量法律语料，让模型在密集的法律语境中学习法律概念、法定规则和解释框架，加强从事实、规则到结论的推演能力。第二层是后训练，模型与执行框架 Harness 同步改进。模型在数万个仿真法律环境中接受强化学习，学习规划分析、推进流程，并在具体约束下生成交付物。Harness 是智谱所说的运行时编排框架，负责管理任务上下文、连接工具、回传执行反馈。两者交替迭代，训练中暴露的边界案例能指出 Harness 的架构瓶颈，Harness 改进后又让模型接触更真实的执行约束，学会检索相关上下文，并根据中间结果调整做法。第三层是生产反馈闭环。法律从业者在实际使用中主要看四点，即关键问题和边界情形是否都已覆盖，论证是否充分、引用在法律上是否可靠，交付物是否严格符合事项要求，下游团队能否不经返工直接使用。智谱把这些要求转化为训练中可用的损失信号。在诊断遗漏事实、分析不深、格式偏差等问题时，智谱会分别排查模型能力、上下文准备和流程逻辑的影响，再据此改进任务环境、评分标准和 Harness 设计。这条路线与 Harvey 今年 6 月的一次实验相近。2026 年 6 月 22 日，Harvey 与 AI 训练公司 Applied Compute 公布，他们从候选的开放权重模型中选用了基线表现最强的智谱 GLM-5.1，先优化 Harness，包括限制工具返回量、修复工具调用格式、引入上下文压缩等，再进行全参数强化学习，使 LAB 全通过率从 5.9% 提升到 12.6%。四个月后，智谱在更轻量的基座上把这一指标提高到 19.2%。虽然两次评测的时间和 Harness 都不相同，数字不宜直接比较，但先优化 Harness、再做强化学习，正在成为训练法律智能体的常见做法。GLM-Legal 的获取方式与几点观察
GLM-Legal 目前处于内测阶段，面向律所、法律科技公司、企业法务团队和独立执业者开放，可在 Z.ai 官网提交 API 访问申请。从 AI + IP 赛道的角度看，有四点值得关注。一是评测口径在变化。LAB 用全通过制衡量交付物能否一次过关。19.2% 的成绩已高于多数对比模型，但也意味着约八成任务仍有至少一条标准未通过。对律所和知识产权服务机构来说，人工复核仍是工作流程中必不可少的环节。二是模型厂商开始自己做垂直领域。今年 6 月，法律 AI 公司 Harvey 用智谱的开放模型做法律训练；10 月，智谱自己推出了法律模型。基座模型厂商与法律科技应用公司的分工正在变化，后者在“自己训练”和“调用垂直模型”之间多了一个选择。三是轻量化直接关系到成本。GLM-Legal 建立在激活参数 180 亿的模型上，智谱在介绍中突出了训练效率和推理效率。在批量处理合同、证据材料的场景中，单个任务的成本会直接影响能否规模化使用。四是知识产权专项能力有待观察。目前公布的三项评测都属于通用法律任务，尚不能反映模型在专利撰写、审查意见答复、侵权比对等知识产权实务中的表现。原文：Z.ai，GLM-Legal: Advancing Agentic Legal Intelligence，Z.ai 官方博客，https://z.ai/blog/glm-legal美通社，智谱在香港联合交易所上市的新闻稿，https://tools.prnewswire.com/en-us/live/20813/release/20260108EN59068IntuitionLabs，GLM-5.3 与 GLM-5.3-Flash 部署对比，https://intuitionlabs.ai/articles/glm-5-3-vs-glm-5-3-flash-deploymentHarvey 官方博客，Harvey LAB 评测基准介绍，https://www.harvey.ai/en-US/blog/introducing-harveys-legal-agent-benchmark斯坦福大学 Hazy Research，LegalBench 项目页，https://hazyresearch.stanford.edu/legalbenchEvalScope 文档，PLawBench 评测说明，https://evalscope.readthedocs.io/en/latest/benchmarks/plawbench.htmlVals AI，GLM-Legal 模型评测页，https://www.vals.ai/models/zai_glm-legalHarvey 官方博客，Harvey 与 Applied Compute 训练法律智能体，https://www.harvey.ai/en-US/blog/training-a-legal-agent-with-applied-computeZ.ai，GLM-Legal API 申请页面，https://z.ai/consultation/legalAutoClaw 官网，https://autoclaw.z.ai