AREX Feed Article
Z.AI 发布法律模型 GLM-Legal：自报 Harvey LAB 19.2% All-Pass，Harvey 应用研究负责人确认成绩出处
Z.AI（GLM 实验室）于 2026 年 10 月 12 日 16:10 UTC（北京时间 10 月 13 日凌晨 0 时 10 分）经宣布法律领域模型 GLM-Legal，称其基于 GLM-5.3-Flash 构建、在主流法律基准上比肩前沿模型，面向合同审查、证据分析、合规等真实法律工作流。随帖上线的列出了基准成绩、训练方法与三个法律任务示例；模型以 API 申请制提供。
整份成绩单的核心数字出自 Harvey LAB：Z.ai 自报 GLM-Legal 取得 19.2% 的 All-Pass（全项通过）率，较基座 GLM-5.3-Flash 提升 12.5 个百分点。约两小时后，Harvey 应用研究负责人 Niko Grupen 在 X 上确认，GLM-Legal 的发布包含 Harvey LAB，成绩出自 ValsAI 对这一基准的实现；他没有复述具体分数，这些成绩目前均为厂商自报。
自报成绩单：LAB 上领先，另两个基准落后 2.4 分和 0.4 分
博客把评测铺在三条轴上：复杂任务执行、专业法律推理、真实法律工作流。按博客描述，Harvey LAB 取材真实律所工作流、覆盖 24 个执业领域，采用严格 all-pass 评分，一个任务的所有环节都通过才算通过。按 Z.ai 的说法，这一成绩说明模型在端到端执行中「中间不退化」。
随帖图表把参照系摆了出来：基座 GLM-5.3-Flash 为 6.7，Kimi K3 为 12.9，Claude Fable 5 与 GPT-6 Astra 分别为 11.3 和 5.4。按这张自报图表，GLM-Legal 高于图中其余四个对照模型。
另外两个基准的差距更具体。LegalBench（解析专业合同、并购申报文件与司法意见）上，GLM-Legal 自报 86.2，与 Kimi K3 持平，低于 Claude Fable 5 的 88.6 与 GPT-6 Astra 的 87.1；PLawBench（中文法律咨询、案例分析与文书起草，按细粒度评分）上自报 77.3，比 Claude Fable 5 的 77.7 低 0.4 分。博客对这两个基准的口径是「以显著更小的参数量比肩闭源前沿模型」。
以上数字全部出自 Z.ai 自己的评测与图表，博客页内没有第三方复核。
Harvey 一方的确认：LAB 进入发布，评分出自 ValsAI 的实现
同日 18:12 UTC， 在 X 上写道：Harvey LAB 也包含在 Z.ai 的 GLM-Legal 发布中，这是一个「专为法律工作构建的模型」；基于 ValsAI 对 LAB 的实现，「对一个开放权重模型来说算得上强成绩」（open weight model）；他同时向 jietang 及其团队道贺。其 X 账号简介标注的身份是 Harvey 应用研究负责人（Head of Applied Research @harvey）。
这是基准提供方一侧的确认，能证明两件事：Z.ai 的发布确实包含了 Harvey LAB，Harvey 一方知情并公开确认。它不能证明 19.2% 这个数字——Grupen 只以「强成绩」概括，帖中没有复核数据。
两秒之前，他在同一还写道：Meta 的 Muse Wonder 发布也引用了 Harvey 的 Legal Agent Bench，评分出自 Artificial Analysis 的实现。两条帖子加起来，这个基准在 10 月 12 日出现在两家厂商的发布叙事里。
Grupen 的措辞里埋着一个口径问题：他称 GLM-Legal 为「开放权重模型」，而 Z.ai 官方推文与博客给出的获取途径是 与 演示。博客末尾的 Beta 计划邀请律所、法律科技公司、企业法务团队与独立执业者申请使用。
训练路径：领域 mid-training 加数万个法律环境里的强化学习
博客把这次发布放进自己的叙事框架：模型正从单轮代码生成转向更广的专业协作（Professional Cowork），法律工作把这类协作的难点集中到一起，要求事实、法条教义、分析推理与交付物之间连成不间断的链条。GLM-Legal 的构建分两段：先做领域 mid-training（中期继续训练），扩充高质量法律语料，让模型在密集领域语境中学习法律概念、成文法规则与解释框架，强化「事实—规则—结论」的演绎连接；再做高效后训练，在数万个拟真法律环境里进行强化学习，训练模型规划分析、推进工作流、在具体约束下产出交付物。
后训练阶段的设计里，模型与 Harness（运行时编排框架）同步迭代。Harness 负责任务上下文管理、工具集连接与执行反馈路由；训练中暴露的边界样本用来定位 Harness 的架构瓶颈，Harness 的改造又把真实的执行约束暴露给模型。
生产侧反馈被归结为四个问题：关键议题与边界情形是否都覆盖；论证是否扎实、引注在法律上是否站得住；交付物是否严格贴合案件简报；下游团队能否不经返工直接使用。博客称这些要求把主观质量转化为工程损失信号，回流到任务环境、评分标准与 Harness 设计中。
三个演示任务：改退出条款、对证据、排上线清单
博客用三组对照展示模型差异，均为 Z.ai 提供的演示输出。第一项是合同审查：客户更换软件服务商，审查终止与交接条款。对照里，GLM-5.3-Flash 的版本建议缩短通知期、要求返还已付款的交付物；GLM-Legal 的修改落到具体条款——便利终止通知从 60 天缩到 30 天，删除知识产权、保密与数据安全违约的 30 天补救期、改为可立即终止，要求返还全部工作成果「无论是否已付款」，并新增最长 90 天的过渡协助，覆盖源代码、文档、数据与知识转移。博客称 AutoClaw 会把这些修改以修订模式和批注写进 Word 文档。
第二项是证据分析：从一起软件项目纠纷的 40 份文件中，找出服务商进度汇报的矛盾。GLM-Legal 的输出把 9 月 30 日「按计划、完成 60%」的外部报告，与 9 月 8 日「里程碑无法诚实达成」的内部警告、内部约 41% 的进度快照并列，再接上 CEO「压下风险、继续开票」的指示与主服务协议（MSA）第 2、5 条（付款不构成弃权、保证在付款后存续），串成一条隐瞒线索，同时提示需核对完成度口径、检验其余请求要件；基座版本的同一段输出停留在「这些文件可能支持客户关于进度被夸大的主张」。
第三项是合规研究：为在新加坡、马来西亚、印度尼西亚上线的网站排隐私合规优先级。GLM-Legal 给出标注 P0 的上线前清单：发布英文与印尼语隐私声明，非必要分析与广告采用 opt-in（用户主动同意）并留存同意记录，营销许可与注册分离，退订请求进入 suppression list（发送抑制名单），把云、支付、邮件、分析、CDN 供应商映射到数据目的地，再逐市场确认合同与传输保障要求，标注了 SG PDPA 第 26 条、MY PDPA 第 129 条、ID PDP Law 第 55～56 条。
博客把 GLM-Legal 进入 AutoClaw 写作「很快可用」，并附演示视频；上面三个示例目前是厂商演示，不是用户的实际使用报告。
发布没有回答的两件事
第一件是参数量。「显著更小的参数量」在博客中出现两次，都没有给出数字，「以更小参数量比肩前沿」暂时无法核对。第二件是权重的口径。Grupen 的「开放权重模型」与两份发布材料给出的获取途径对不上；权重会不会放出、按什么条款放出，材料里都没有写。