GLM-Legal 登顶 Harvey LAB：法律 AI 基准测试新王者

法律 AI 赛道迎来了一位意想不到的挑战者。Z.ai 推出的 GLM-Legal 模型在 Harvey 的法律 Agent 基准测试（Harvey LAB）中，以 19.2% 的全通过率超越了 Claude Fable 5 和 Kimi K3，成为该榜单上表现最好的法律专用模型之一。

为什么 Harvey LAB 值得关注

Harvey 是法律 AI 领域最受关注的创业公司之一，其推出的 LAB（Legal Agent Benchmark）并非简单的选择题测试，而是模拟真实律师工作流的 Agent 任务。这意味着模型需要具备多步骤推理、文档检索、条款比对和结构化输出等综合能力，而非仅仅"背诵法条"。

对于法律行业而言，这类基准的意义远超学术评分。律所和企业法务在选择 AI 工具时，最关心的不是模型能否通过司法考试，而是它能否在合同审查、尽职调查、合规检查等实际场景中减少人工介入。Harvey LAB 的设计方向正是贴近这一需求。

Agent 基准与静态问答基准的区别：传统法律 AI 评测多为单选题或问答题形式，模型只需在给定上下文中给出答案即可得分。而 Agent 基准要求模型主动调用工具、检索文档、规划步骤并根据中间结果调整策略，本质上是把模型放进一个模拟的工作环境里，考察其端到端的任务完成能力。这意味着评测不仅考验语言理解，还考验函数调用、状态管理和错误恢复等工程能力。Harvey LAB 之所以被视为更严苛，正是因为它的评分对象不是"某一步答对了没有"，而是"整条工作流跑通了没有"，这与律所实际采购 AI 工具时的关注点高度一致。

19.2% 这个数字意味着什么

乍看之下，19.2% 的全通过率似乎并不高。但放在 Harvey LAB 的评测标准下，这个分数的含金量需要重新理解：

• 这是"all-pass"（全通过）口径，意味着模型必须在同一任务的所有子环节都正确，任何一步出错即不计入。
• 法律 Agent 任务本身设计难度高，涉及多文档交叉引用和长链条推理。
• GLM-Legal 的成绩接近其基础模型 GLM-5.3-Flash 的三倍，说明法律领域的专项微调带来了显著增益。

换句话说，在"严格全对才算通过"的规则下，任何两位数的通过率都代表着模型在真实法律任务中具备了初步可用性。

all-pass（全通过）口径的严格性：在多步骤任务评测中，常见的统计方式有两种——按子环节计分的"部分通过"（partial credit），以及要求所有子环节全部正确的"全通过"（all-pass）。前者会给出相对好看的数字，但容易掩盖模型在长链条推理中段出错的问题；后者则把任何一步失误都判为整体失败。法律工作的特点恰恰是容错率极低，一份尽调报告里漏掉一个关键条款，整份报告的可用性就会大打折扣。因此 all-pass 口径虽然在数值上显得偏低，却更接近法律实务中"交付即可用"的标准，这也是解读 19.2% 时不能简单与其他基准分数横向比较的原因。

GLM-Legal 的技术底牌

GLM-Legal 并非从零训练的新模型，而是基于 GLM-5.3-Flash 构建的法律专用版本。这种"基座 + 领域微调"的路线在垂直 AI 领域已经成为主流选择——它兼顾了通用能力的继承和领域知识的注入。

说个细节成本数据：每个测试案例的运行成本约为 0.15 美元。对于需要反复执行、批量处理的法律场景来说，这个价格远低于多数通用旗舰模型的调用成本。这也解释了 Z.ai 选择以 Flash 系列为基座的原因——在保证能力可用的前提下，把推理成本压到法律行业能够规模化部署的水平。

目前 GLM-Legal 的访问方式是申请制，而非直接开放 API。这可能是出于对法律场景合规性的谨慎考量，也可能是在收集真实用户反馈以迭代模型。

领域微调（Domain Fine-tuning）与基座模型的关系：所谓"基座 + 领域微调"，是指先选择一个已经在大规模通用语料上完成预训练的模型作为底座，再用特定领域的高质量数据（如法律合同、判例、合规文件及对应的任务轨迹）进行有监督微调或偏好优化。这样做的好处是模型无需从零学习语言与推理能力，只需把通用能力"对齐"到法律场景的表达习惯、术语体系和任务流程上。相较于从零训练专用模型，这条路线数据需求更小、迭代更快，也更容易继承基座在长上下文、工具调用等方面的能力。GLM-Legal 成绩接近基础模型三倍，正说明微调注入的领域知识在特定任务上能产生数倍于参数规模差异的收益。

法律 AI 竞争格局正在变化

GLM-Legal 的成绩对现有格局构成了直接冲击。Claude Fable 5 和 Kimi K3 都是此前在法律 Agent 任务上表现突出的模型，前者背靠 Anthropic 在长文本和安全对齐上的积累，后者则是国内大模型在法律垂直领域的重要选手。

GLM-Legal 的领先说明两个趋势：

领域专用模型的性价比路线正在被验证。 用更小的基座加上高质量法律数据微调，可以在特定任务上击败参数规模更大的通用模型。这对预算有限但需求明确的法律团队来说是好消息。

评测基准的权威性在提升。 Harvey LAB 之所以被拿来作为竞争标尺，是因为它来自行业内部而非学术机构，其任务设计更贴近律所的真实工作流。当模型厂商开始主动引用这类基准的成绩时，说明法律 AI 的评价体系正在从"能聊天"向"能干活"迁移。

法律 AI 的安全对齐与合规约束：法律场景对模型的输出有额外的合规要求，包括不提供正式法律意见的免责边界、对客户数据的保密处理、对法条引用的准确性约束等。这也是许多法律专用模型选择申请制而非直接开放 API 的原因之一——厂商需要控制使用范围，避免模型输出被误用为正式法律建议，同时便于在真实使用中监控幻觉和引用错误。Anthropic 在安全对齐上的积累、以及国内厂商在数据合规上的谨慎，都反映了同一逻辑：法律 AI 的商业化不仅是能力问题，更是责任边界问题。

仍需观察的问题

单一基准的领先并不等同于全面优势。GLM-Legal 在 Harvey LAB 上的表现能否转化为实际部署中的稳定性，还有待验证。法律任务的容错率极低，19.2% 的全通过率意味着在大多数任务上模型仍然需要人类律师兜底。

此外，申请制的访问方式限制了第三方独立复现和横向对比的可能性。随着更多团队获得访问权限，GLM-Legal 与其他法律模型在同一任务集上的真实差距会逐渐清晰。

法律 AI 的竞争才刚刚进入"可用性"阶段，GLM-Legal 的这次登顶更像是一个信号：垂直领域的小而专路线，正在成为挑战通用大模型的重要力量。