智谱开源 GLM-Legal：法律榜双第一，但 19.2% 的全通过率才是真相

法律是 AI 落地最挑剔的场景之一：它要求准确、可追溯、能交付，还要对错误负责。正因如此，法律模型一直是大模型厂商的“硬骨头”。

智谱最新推出的 GLM-Legal，选择了一条更务实的路线：不做万能聊天机器人，而是做一个能审合同、串证据、做跨境合规研究的法律专用开源模型。按照智谱披露的数据，它在 Vals AI 的法律测评中拿下 Harvey LAB 与 LegalBench 双榜开放权重模型第一。

一分钟速览

• GLM-Legal 基于 GLM-5.3-Flash 底座，经过法律语料中期训练与数万法律任务强化学习。
• 在 Vals AI 测评中，Harvey LAB 任务全通过率 19.2%，LegalBench 准确率 86.23%，均为开放权重模型榜首。
• 适配中文法律实务、英文法律任务与东南亚跨境合规场景。
• 在成绩相近的情况下，测试成本约为 Gemini 4 Argon 的七十分之一，但耗时多近 30 分钟。
• 目前已开放 Beta 申请，计划接入 AutoClaw。

19.2% 不是低分，而是“全条件通过”的难度

很多人看到 19.2% 的第一反应是“才这么点”。但 Harvey LAB 的评分机制并不是普通的选择题准确率，而是“全条件通过”：一项任务里所有评分条件都满足才算通过，少一条就不算。它模拟的是律所派活——给一个需求、一组客户材料，让模型直接整理出一份可以审阅的文件。

Harvey LAB 首版设置了超过 1200 项模拟律所工作任务，覆盖并购、知识产权、银行金融等 24 个法律业务领域。模型要从读材料、调工具，到按规矩交付结果，整条链路都不能掉链子。在这个标准下，19.2% 的全通过率说明它已经能完成一部分真实工作，但距离“替代律师”还很远。

LegalBench 的 86.23% 准确率则反映了另一面：在相对结构化的法律理解任务上，专用模型的水平已经相当高。两个数字放在一起，恰好勾勒出当前法律 AI 的能力边界——理解不错，端到端交付仍难。

它到底能干什么

智谱给出了三组演示。第一组是更换软件服务供应商时的合同审查：GLM-Legal 建议把合作终止通知期从 60 天缩短到 30 天，并增加最长 90 天的过渡支持，同时结合成果归属条款，要求交回全部工作成果，包括尚未完成或尚未付款的部分。

第二组是项目纠纷中的证据梳理：对外报告称项目完成 60%，内部记录只有约 41%。GLM-Legal 不仅发现矛盾，还把进度报告与更早的风险警告、内部沟通关联起来，落到具体核对动作。

第三组是企业出海合规：在新加坡、马来西亚、印尼上线网站时，它把用户追踪、邮件营销、海外云存储等隐私合规事项拆成可执行步骤，包括发布隐私声明、把退订请求加入抑制列表等。

成本优势与真实短板

在成绩相近的情况下，GLM-Legal 的每项测试成本约为 Gemini 4 Argon 的七十分之一，代价是慢了近 30 分钟。这对法律工作来说未必是坏事：合同审查本来就不是实时任务，成本可控、结果可复核，比快几秒更重要。

但 19.2% 的全通过率也意味着，大多数严格任务它仍未完全达标。智谱自己也承认，GLM-Legal 还处在“实习律师”阶段，需要律所、法律科技公司和企业法务参与试用。法律场景对错误的容忍度极低，模型给出的每一条建议，最终仍要由人复核。

趋势洞察

垂直模型的价值，正在从“榜单分数”转向“工作流嵌入”。通用模型什么都能聊，但在合同条款、证据链和合规清单上，专用模型的训练数据与任务框架更贴近真实交付。智谱早在 2023 年就与幂律智能合作推出 PowerLawGLM，这次 GLM-Legal 是同一路线的延续。

开源则让这条路更有想象力。律所和企业可以把模型部署在自己的数据边界内，减少敏感材料外流的顾虑；开发者也可以基于它做合同审查、合规检查等工具。法律 AI 的下一阶段，不是比谁更像律师，而是比谁能让律师更放心地把重复工作交出去。