GLM-Legal 实战解读:从 Harvey LAB 到 AutoClaw,法律智能体怎么把文档变成可交付成果

GLM-Legal 是面向法律工作的智能体模型。它要解决的不是“能不能回答法律问题”,而是“能不能在真实约束下把碎片材料做成可交付成果”。按照公开信息,它基于 GLM-5.3-Flash 轻量基座,通过专门的中训练和高效率后训练,把法律知识、推理链条、工具调用和最终交付绑在一起。评测上,它在 Harvey LAB 拿到 19.2% 的全通过率,比基座模型提高 12.5 个百分点;在 LegalBench 上与顶级闭源前沿模型精度持平;在 PLawBench 的中文法律咨询、案件分析、文档起草任务上,也与领先前沿系统打平。接下来它会在 AutoClaw 桌面原生智能体平台中开放使用。

这篇文章按四个部分拆:它解决什么痛点,评测成绩怎么读,训练方法为什么不一样,以及合同审查、证据分析、跨境合规三个案例里它到底比基座多做了什么。

GLM-Legal 到底解决了法律工作里的哪个痛点?

法律工作最怕断链:事实、法条、推理、客户能用的工作产品,任何一环掉下去,结果都不能用。GLM-Legal 瞄准的就是这条完整执行链。它不是单轮生成一段分析,而是要从源文件里提取核心问题,构建可辩护的论证,再按任务规格输出。

法律实践对模型的要求很集中。给一个专业任务,智能体得从源文档里找到核心争点,把论证搭起来,还要让交付物严格符合 matter brief。现实知识工作还会加两个限制:源文件是碎的,交付时间和目标却很具体。模型必须消化这些碎片,把专业知识组织成连贯分析,并在整个执行生命周期里保持领域严谨。法律工作把这些难点压在一起,所以它成了高压力专业环境的理想测试场。

我读到这里的第一反应是:这和“写一段法律科普”完全不是一回事。单轮问答可以靠记忆和语言流畅度糊过去,端到端任务不行。中间只要漏一个事实、错一个引用、格式偏一点,下游团队就得返工。GLM-Legal 的定位,是让模型在具体约束下推进工作流,而不是只给建议。

评测成绩怎么看?Harvey LAB、LegalBench、PLawBench 各自说明什么?

三个评测分别覆盖复杂任务执行、专业法律推理、真实法律工作流。GLM-Legal 在 Harvey LAB 上拿到 19.2% 全通过率,比基座提高 12.5 个百分点;LegalBench 上解析专业合同、并购申报、司法意见的精度与顶级闭源前沿模型持平,参数预算却更精简;PLawBench 上,中文法律咨询、案件分析、文档起草在细粒度评分标准下与领先前沿系统持平。Harvey Legal Agent Benchmark 和 LegalBench 由 Vals 独立评估。

GLM-Legal 基准表现

Harvey LAB:19.2% 全通过率意味着什么

Harvey LAB 测的是真实律所工作流,覆盖 24 个执业领域。它的评分方式很严格:全通过才算通过。GLM-Legal 拿到 19.2%,比基座提高 12.5 个百分点。这个数字说明的不是某个单点能力,而是端到端任务执行没有在中间退化。对法律任务来说,这一点比单项高分更难。一份合同审查可能包含识别问题、引用条款、给出修改、生成文档;中间任何一步失败,最终交付就不合格。

LegalBench:参数更少,精度对齐

LegalBench 侧重专业法律推理。GLM-Legal 能解析专业合同、并购申报和司法意见,精度与顶级闭源前沿模型相当。这里的关键信息是“参数预算显著更精简”。也就是说,它没有靠堆参数去换精度,而是在较轻量的基础上做领域训练和任务执行优化。对想部署法律智能体的团队来说,这直接影响推理成本和落地可行性。

PLawBench:中文本地化实践

PLawBench 测中文法律咨询、案件分析和文档起草,评分标准很细。GLM-Legal 在这个基准上与领先前沿系统持平。中文法律实践有自己的表达方式、文书习惯和咨询场景,能和前沿系统打平,说明它不是只对英文语料有效。

评测 覆盖内容 GLM-Legal 表现 关键信息
Harvey LAB 真实律所工作流,24 个执业领域 19.2% 全通过率 比基座提高 12.5 个百分点,端到端执行可靠
LegalBench 专业合同、并购申报、司法意见 与顶级闭源前沿模型精度持平 参数预算更精简
PLawBench 中文法律咨询、案件分析、文档起草 与领先前沿系统持平 细粒度评分标准下成立

训练方法有什么不一样?为什么说它把知识和执行绑在一起?

GLM-Legal 优先考虑训练效率。它建立在轻量基座 GLM-5.3-Flash 上,用专门的中训练加上高效率后训练,把基础预训练直接连到下游任务执行。模型要学会解析源记录、应用法条、组织论证,并在最终交付时保持输出质量。这个思路不是“先学知识再碰任务”,而是让知识和执行在训练里互相拉扯。

中训练:先打法律地基

中训练阶段扩大高质量法律语料,让模型在法律概念、成文法规则和解释框架里学习。重点不是背定义,而是强化事实、规则、结论之间的演绎连接。比如读一份合同时,模型不只是匹配关键词,而是能把条款放到教义框架里,判断它和争点、救济、风险之间的关系。这个阶段提供的是知识基底,后面复杂任务执行要靠它。

后训练:模型和 Agent Harness 一起进化

后训练把领域知识转成任务执行能力。方法是在数万个真实法律环境里做强化学习。模型学习规划分析、推进工作流,并在具体约束下生成交付物。这里的 Harness 不是普通外壳,而是运行时编排框架:它管理任务上下文,连接工具集,路由执行反馈。

Harness 架构和模型训练同步迭代。任务结构化、上下文摄入、运行时反馈循环一起决定智能体怎么探索。双向学习也很关键:模型训练中冒出来的边缘案例,会指出 Harness 架构的瓶颈;Harness 的改进,又会把模型暴露在更真实的执行约束里,训练它检索相关上下文、根据中间执行信号调整,并从接收 prompt 到最终签核都达到生产标准。

我在这里看到的一个判断是:很多团队把 Harness 当成模型外面的胶水,但 GLM-Legal 把 Harness 当成训练的一部分。模型不是在一个固定环境里学,而是和环境一起变。法律任务太依赖上下文、工具和交付格式,只训模型不训运行框架,最后往往卡在“会分析但交不出东西”。

生产反馈:把律师的主观评价变成工程信号

生产环节里,法律专业人员会按具体标准评估输出:关键问题和边缘案例有没有处理;论证是否充分、引用是否法律上可靠;交付物是否严格遵循 matter brief;下游团队能不能直接使用,不需要手工返工。这些要求把主观质量变成具体的工程损失信号。

当诊断出漏事实、分析浅、格式偏差时,团队会检查整个执行管道,分离原始模型智能、上下文 staging 和工作流逻辑各自的贡献。这些发现会直接回流到任务环境、评估评分标准和 Harness 设计,进入下一轮训练,再用生产基准验证改进。这个闭环的意义在于:算法进步不是停在榜单上,而是要变成生产可靠性。

在 AutoClaw 里能做什么?三个真实任务拆开看

AutoClaw 是桌面原生智能体平台,GLM-Legal 的能力会在这里落地。公开示例给了三个常见法律任务:审查合同、准备案件、规划跨境发布。它们分别对应合同退出条款、证据矛盾分析和隐私合规优先级。

合同审查:退出条款怎么从泛泛建议变成可谈判条款?

这个任务是为一个准备换供应商的客户审查软件服务合同,重点看终止和交接。GLM-5.3-Flash 给出的方向包括:合同允许客户提前 60 天通知终止,重大违约有 30 天补救期;可以考虑缩短通知期;终止时要求供应商返还客户数据和已付款的已完成交付物;增加配合替换供应商的义务,包括合理访问文档和交接协助;确认未付款和过渡支持费用。

GLM-Legal 的输出更具体。它建议把客户的便利终止通知从 60 天降到 30 天;对知识产权、保密、数据安全义务的违约,移除补救期,让客户可以立即终止;第 4 条已经把 work product 分配给客户,所以要求返还所有交付物和在制品,不管是否付款;增加最多 90 天的过渡协助,覆盖源代码、文档、数据和知识转移,按供应商当时的费率计费。

差别不在方向,而在可执行性。前者说“缩短通知期”,后者给出 30 天;前者说“要求返还”,后者处理“是否付款”这个争议点;前者说“协助交接”,后者把范围、时长、计费方式写清楚。AutoClaw 会把这些编辑放进 Word 文档,带修订和批注,团队可以直接审查和谈判。

合同审查示例

证据分析:如何把 40 份文档连成案件理论?

任务是从一个软件项目纠纷的 40 份文档里,找出供应商进度报告中的矛盾。GLM-5.3-Flash 找出了几个点:9 月 30 日客户报告说项目 on track、完成 60%,对应 BR-000024;内部快照记录约 41% 完成,对应 BR-000027;内部邮件讨论架构风险,并指示如何与客户沟通,对应 BR-000014 和 BR-000015。它判断这些文档可能支持客户关于进度被夸大的立场,并建议继续审查报告历史、发票记录和合同条款。

GLM-Legal 把这些点连成了更完整的链条。它指出,9 月 30 日“ON TRACK – 60% COMPLETE”的报告 BR-000024,应该对照 9 月 8 日的警告:里程碑无法诚实达成,对应 BR-000014;再对照内部约 41% 的快照 BR-000027。CEO 指示压住风险并继续开票,对应 BR-000015,这把内部知识链接到了披露决定。MSA 第 2 条和第 5 条说明,付款不放弃权利,保证在付款后继续存续,对应 BR-000001,所以继续付款本身不能解决争议。这些链接支持 concealment theory;下一步是协调完成度口径,并测试剩余 claim elements。

这里的关键是“链接”,不是“总结”。证据分析里,单纯列出文档矛盾还不够,得说明它为什么有法律意义。GLM-Legal 把外部陈述、内部记录、付款条款放在一起,同时区分事实和推断。矛盾图能帮团队决定下一步查什么,而不是直接下结论。

证据分析示例

合规研究:跨境上线前隐私优先级怎么排?

任务是为一个在新加坡、马来西亚、印度尼西亚上线的网站规划隐私合规,涉及追踪、邮件营销和海外云存储。GLM-5.3-Flash 的建议包括:上线前发布隐私通知,解释收集、使用、分享和海外存储;审查 cookie 和分析工具是否需要同意;营销邮件加入退订选项;确保供应商提供合适的数据保护保障;检查三国适用隐私法,确认本地要求;上线计划要覆盖通知、同意、营销和转移,把责任分配给相关团队,并在上线前审查未决法律问题。

GLM-Legal 把它拆成了 P0 优先级。发布前建议:发布英文和印尼语隐私通知,覆盖目的、转移、权利和投诉;非必要分析和广告使用 opt-in,保留同意记录,把营销许可和注册分开;退订请求进入 suppression list;映射云、支付、邮件、分析和 CDN 供应商到数据目的地,然后确认每个市场需要的合同和转移保障,包括 SG PDPA s26、MY PDPA s129、ID PDP Law Arts 55–56。它把这些共享控制作为保守的上线基线,同时提醒检查每个市场的具体要求。

跨境合规最容易写成一张大清单,但团队需要知道先做什么。P0、opt-in、同意记录、suppression list、供应商映射,这些都是能直接分配和检查的动作。法律引用则让每项控制有出处,方便后续和本地律师确认。

合规研究示例

谁适合加入 GLM-Legal Beta?怎么参与?

GLM-Legal Beta 面向律所、法律科技公司、企业法务团队和独立执业者。公开邀请里明确写了这几类角色,体验入口包括咨询和 AutoClaw。对律所来说,它可以进入合同审查和案件准备流程;对法律科技公司来说,它可能成为产品里的任务执行层;对企业法务来说,它适合处理跨境合规和供应商合同;对独立执业者来说,它更像一个能推进工作流的助手,而不是只给泛泛答案的聊天窗口。

Consultation
AutoClaw

实用摘要与操作清单

如果你只记一件事:GLM-Legal 的重点不是“懂法律”,而是把法律知识变成端到端任务执行。评测、训练和案例都围绕这一点。

  • 评测看三块:Harvey LAB 19.2% 全通过率,比基座提高 12.5 个百分点;LegalBench 与闭源前沿精度持平,参数更精简;PLawBench 中文实践与领先系统持平。Harvey LAB 和 LegalBench 由 Vals 独立评估。
  • 训练看三段:中训练扩大高质量法律语料,强化事实、规则、结论的演绎连接;后训练在数万真实法律环境做强化学习,模型和 Harness 协同迭代;生产反馈把律师评价转成工程损失信号。
  • 合同审查看四点:终止通知天数、补救期是否移除、work product 返还是否以付款为条件、过渡协助的范围和计费。
  • 证据分析看三条线:外部报告和内部记录是否冲突、内部知识是否影响披露决定、付款条款是否放弃权利或让保证失效。
  • 合规研究看 P0:通知语言、opt-in、同意记录、suppression list、供应商数据目的地映射、各市场合同和转移保障。
  • 交付环节看 AutoClaw:编辑可以写进 Word,带修订和批注,方便审查和谈判。
  • Beta 对象:律所、法律科技公司、企业法务团队、独立执业者。

一页速览

维度 关键信息
模型定位 面向法律工作的智能体模型,强调端到端任务执行
基座 GLM-5.3-Flash 轻量基座
Harvey LAB 19.2% 全通过率,比基座提高 12.5 个百分点,覆盖 24 个执业领域
LegalBench 与顶级闭源前沿模型精度持平,参数预算更精简
PLawBench 中文法律咨询、案件分析、文档起草与领先前沿系统持平
独立评估 Harvey Legal Agent Benchmark 和 LegalBench 由 Vals 独立评估
训练方法 中训练打法律地基,后训练在数万真实法律环境做强化学习
Harness 运行时编排框架,管理上下文、连接工具、路由反馈,与模型协同迭代
生产反馈 评估关键问题、边缘案例、论证引用、matter brief 遵循度、下游可用性
AutoClaw 桌面原生智能体平台,支持合同审查、案件准备、跨境发布规划
Beta 对象 律所、法律科技公司、企业法务团队、独立执业者

FAQ:读者最可能问的八个问题

GLM-Legal 基于什么基座?
基于 GLM-5.3-Flash 轻量基座。

Harvey LAB 成绩是多少?
19.2% 全通过率,比基座模型提高 12.5 个百分点。

它和闭源前沿模型比怎么样?
LegalBench 上精度与顶级闭源前沿模型持平,参数预算更精简;PLawBench 中文实践与领先前沿系统持平。

基准由谁评估?
Harvey Legal Agent Benchmark 和 LegalBench 由 Vals 独立评估。

后训练怎么进行?
在数万个真实法律环境里做强化学习,模型和 Agent Harness 协同迭代。

生产反馈评估什么?
关键问题和边缘案例是否处理,论证和引用是否可靠,是否严格遵循 matter brief,下游团队能否直接使用而不返工。

AutoClaw 能做什么?
它是桌面原生智能体平台,示例覆盖合同审查、案件准备和跨境发布规划。

谁可以加入 Beta?
律所、法律科技公司、企业法务团队和独立执业者。