GLM-Legal – 智谱推出的法律专用大模型

导读摘要:
GLM-Legal是智谱AI推出的法律专用大模型,基于轻量级基座GLM-5.3-Flash,通过法律领域中间训练与强化学习后训练打造。该模型覆盖阅读材料、提取事实、分析法律关系、制定建议、生成专业文件的完整工作流,支持合同审查、证据分析、法律研究、合规规划等任务。在官方评测中,Harvey LAB全项通过率达19.2%,LegalBench与PLawBench表现持平前沿闭源模型,展示了小参数规模...
1. GLM-Legal是什么
GLM-Legal是智谱AI推出的法律专用大模型,基于轻量级基座GLM-5.3-Flash,通过法律领域中间训练与强化学习后训练打造。该模型覆盖阅读材料、提取事实、分析法律关系、制定建议、生成专业文件的完整工作流,支持合同审查、证据分析、法律研究、合规规划等任务。在官方评测中,Harvey LAB全项通过率达19.2%,LegalBench与PLawBench表现持平前沿闭源模型,展示了小参数规模下的高领域适配能力。

技术定位与领域: GLM-Legal属于自然语言处理领域中法律垂直方向的大语言模型,聚焦法律文本理解、逻辑推理与专业文书生成。其定位并非通用对话助手,而是面向律师、法务及法律科技企业的专用工作流引擎,强调端到端任务执行能力与交付质量。
研发背景: 该模型由智谱AI研发,依托GLM系列模型的技术积累与自研推理引擎。智谱在法律AI领域的布局基于对行业痛点的观察——法律文本结构复杂、论证要求严谨、产出需符合专业规范,通用模型难以满足这些高标准的实际需求。
核心价值: GLM-Legal解决了法律行业中重复性文档处理与初判分析的高成本问题。传统模式下,合同审查和证据分析高度依赖资深律师投入大量工时,而该模型能够批量处理材料、自动生成带引用标注的分析结果,并通过人工复核环节确保专业质量,有效提升律所与法务团队的基础工作效率。
技术特点: 模型采用"轻量基座+领域缩放"路线,以较小的参数量换取接近前沿模型的领域能力。后训练阶段引入强化学习与Harness运行时编排框架协同进化,配合执业律师反馈的生产闭环,实现"实践需求—训练—验证"的持续优化迭代。
2. 主要功能
合同审查: 模型能够逐条分析合同条款中的潜在风险点,并站在客户立场提出具体可执行的修改建议。输出结果按照法律工作规范组织,明确标注风险等级与修改理由,供律师在谈判中直接参考使用。
证据分析与矛盾识别: 系统可批量阅读数十份案件材料,自动构建证据间的矛盾地图,例如发现外部进度报告与内部真实记录之间的不一致。分析结果引用具体来源文件编号,严格区分事实陈述与推理结论,为案件理论的形成提供可追溯的论证链条。
法律研究与适用分析: 模型结合案件具体事实检索并适用相关法律规则,输出有依据的分析结论。生成内容附带法条引用和论证逻辑,可直接作为律师审查和修改的专业意见初稿,显著减轻基础研究工作量。
合规义务梳理: 针对跨境电商、数据出境等跨境业务场景,系统能够梳理各法域的合规义务要求,输出分优先级的落地清单,并为每项义务附上具体的法条引用依据,帮助法务团队按序推进合规整改工作。
专业文件生成: 模型按照法律文书规范组织分析、意见或修改方案,严格遵循任务简报中设定的交付格式要求。产出成果可直接进入审阅流程,下游团队无需大规模返工,实现"交付即用"的效果。
AutoClaw桌面端集成: 接入AutoClaw桌面Agent平台后,模型可在Word文档中直接以修订模式和批注形式呈现合同修改内容,律师可直观查看每一处改动及其理由说明,无缝融入现有文档工作流程。
3. 如何使用
提交Beta申请: 访问智谱官方申请页面 https://z.ai/consultation/legal ,填写相关信息提交GLM-Legal的Beta测试申请。该模型目前处于定向邀请阶段,需等待审核通过后获得API访问权限,尚无公开的自助注册入口。
审核与权限开通: 智谱官方会对申请进行审核,通过后向开发者发放API密钥。申请者需确认企业或团队的法律业务背景,审核周期以官方通知为准,未获通过时可向官方渠道咨询具体原因。
选择使用方式: 开发者获得API权限后可调用GLM-Legal接口,将其集成到自有的法律工作流系统中;普通法律从业者可下载AutoClaw桌面端(z.ai官网提供),通过图形化界面完成交互,无需编写代码。
布置任务并提供材料: 向模型提供清晰的任务简报,说明需要完成的审查或分析目标,并上传相关的合同文本、证据文件等源材料,同时明确交付格式要求(如是否需要Word修订模式、报告结构等)。
获取成果并人工复核: 模型自动完成材料阅读、事实提取、法律分析、推理建议与文件生成的全流程。生成结果需由执业律师进行质量复核,确认论证准确性与格式合规性后,方可交付客户或用于谈判场景。
4. 优缺点分析
| 优点 |
|---|
| 端到端任务执行能力: 覆盖阅读材料、提取事实、分析法律关系、制定建议、生成文件的完整工作流,各环节衔接顺畅,减少人工介入环节带来的效率损耗。 |
| 评测表现扎实: Harvey LAB全项通过率19.2%,较基座模型提升12.5个百分点,LegalBench与PLawBench持平前沿闭源模型,其中PLawBench对中国法律实务能力的验证具有参考价值。 |
| 轻量基座带来成本优势: 基于GLM-5.3-Flash构建,参数量远小于同级闭源法律模型,推理效率更高,部署成本与单次调用费用具备竞争力,适合中小型律所和初创法律科技公司采用。 |
| 证据级严谨性设计: 分析结果引用来源文件编号,区分事实与推论,论证链条可追溯核验,符合法律行业的责任归属要求,降低了AI输出不可解释的风险。 |
| 生产反馈闭环机制: 执业律师按"问题覆盖、论证有据、格式合规、零返工"标准评审实际输出,将主观质量转化为工程损失信号回灌模型训练与Harness设计,形成持续优化循环。 |
5. 同类工具对比
| 对比维度 | GLM-Legal | Harvey | Thomson Reuters CoCounsel |
|---|---|---|---|
| 核心架构 | 自研轻量基座GLM-5.3-Flash + 领域后训练,配备Harness运行时编排框架 | 基于GPT等第三方前沿大模型构建法律Agent套件 | 基于GPT-4等通用大模型架构,搭配法律检索增强模块 |
| 评测表现 | Harvey LAB全项通过率19.2%(较基座+12.5pp),LegalBench/PLawBench持平前沿闭源模型,由Vals独立评估 | Harvey LAB的出题方,自家产品在该基准的具体分数未公开 | 在律师资格考试(MBE)等基准有公开成绩,但LegalBench专项数据有限 |
| 核心能力 | 合同审查、证据分析、法律研究、合规规划、专业文件生成,覆盖完整工作流 | 端到端法律工作流(研究、起草、审查),覆盖大型律所场景 | 法律研究、文档审阅、时间线梳理、记忆搜索与合同分析 |
| 交付形态 | API + AutoClaw桌面Agent,可在Word中输出修订模式与批注 | 独立SaaS平台,深度集成Microsoft Word及律所管理系统 | 云SaaS平台,集成Westlaw法律数据库 |
| 语言与市场 | 中英双语均衡,PLawBench验证中国法律实务能力 | 以英美法系英语市场为主,欧洲业务拓展中 | 英语市场为主,覆盖美国联邦与州法体系 |
| 部署与成本 | 轻量基座推理效率高,API调用成本具竞争力,支持桌面端 | 大型律所定制方案,订阅费用较高,实施周期长 | 中高订阅费用,按席位计费 |
| 开源协议与生态 | 模型不开源,提供API访问与桌面端,生态处于Beta扩展期 | 闭源商业产品,生态以律所合作伙伴为主 | 闭源商业产品,生态依托Thomson Reuters法律资源库 |
选型建议: 对于中国律所、企业法务部门以及面向中文法律场景的法律科技公司,GLM-Legal在行业评测数据、中英双语能力及成本结构上具备竞争力。若业务核心是合同审查与证据分析,且看重API集成的灵活性,GLM-Legal是当前Beta阶段的重点考察对象。对于有跨境英美法业务需求的大型律所,Harvey与CoCounsel在成熟度与本地生态方面依然具有优势,但其订阅门槛较高,适合预算充足、业务标准化程度高的机构。中小型团队若以中文合同审查为核心场景,幂律智能等国内产品提供了较为成熟的本土化方案,可作为补充对比选项。
6. 编辑总结
GLM-Legal的推出具有明确的行业指向性:以轻量基座逼近前沿模型的领域能力。其Harvey LAB全项通过率19.2%的成绩,较基座提升12.5个百分点,验证了"中间训练+后训练强化"路线的有效性——法律领域所需要的不仅是知识记忆,还包括从事实提取到论证生成的多步推理链条的组织能力。这一结果对行业有参考意义,说明参数规模并非垂直领域能力的唯一决定因素,针对性的训练策略与数据质量同样关键。
从实用价值看,GLM-Legal抓住了法律行业两个核心诉求:交付即用的成果标准与证据级的严谨性。通过引用来源编号、区分事实与推论、输出符合律师审阅习惯的文档格式,模型在设计上就考虑了法律业务的责任追溯需求。AutoClaw桌面端的集成进一步降低了使用门槛,让不熟悉API的执业律师也能直接体验AI辅助审查流程。
适用人群方面,GLM-Legal的目标用户清晰——律所中的初级律师与助理、企业法务团队的基础事务处理环节,以及希望快速获得法律AI能力而无需自建模型的法律SaaS厂商。其轻量基座带来的成本优势,对小团队而言具有现实吸引力。
发展潜力上,GLM-Legal的Harness协同进化机制与生产反馈闭环值得关注。数万个真实法律任务环境的强化学习,加上执业律师的评审信号回灌,形成了可迭代的质量提升通道。未来若评测数据进一步公开、AutoClaw生态持续完善,GLM-Legal在中国法律AI市场中的地位将进一步稳固。当前Beta阶段的限制意味着部分能力的检验仍待时间给出答案,但其技术路线代表了垂直领域模型的一种务实发展思路。
7. 应用场景
合同审查与谈判支持: 律师可将软件服务合同、采购协议等文件交由GLM-Legal分析,模型站在客户立场识别风险条款并提出具体修改建议,直接在Word中以修订模式呈现。谈判前律师快速获得标注清晰的条款风险报告,缩短审阅周期,提升谈判效率。
诉讼证据分析与案件准备: 诉讼团队批量上传数十份案件文档,GLM-Legal构建证据矛盾地图,例如发现外部进度报告与内部真实记录的出入点,并通过来源编号辅助案件理论的形成。证据间的矛盾与关键事实一目了然,为庭审策略提供参考依据。
跨境合规规划: 面向计划在新加坡、马来西亚、印尼等市场上线产品的企业,法务团队使用GLM-Legal梳理各地隐私与数据合规义务,获得分优先级的落地清单,每项义务附具体法条依据,合规整改工作得以按序推进。
法律研究与意见书起草: 律师将案件事实与待研究问题交给模型,GLM-Legal检索并适用相关法律规则,生成论证有据、格式规范的法律分析意见或备忘录初稿。律师在初稿基础上补充个人判断与实务经验,基础工作量得到明显压缩。
法律科技产品能力底座: 法律SaaS厂商通过API调用GLM-Legal的合同审查与文书生成能力,将其嵌入自有产品矩阵。无需自建模型与训练团队,即可向客户提供具备法律专业能力的智能功能,加快产品迭代速度。
8. 常见问题FAQ
Q:GLM-Legal目前是否开放公开使用?
A:GLM-Legal目前处于Beta定向邀请测试阶段,需前往智谱官方申请页面提交访问请求(https://z.ai/consultation/legal),审核通过后获得API权限。尚无公开自助注册入口,申请结果以官方通知为准。
Q:GLM-Legal与通用大模型在法律场景中的核心区别是什么?
A:GLM-Legal经过法律领域中间训练与强化学习,建立了法律概念、法规规则和解释框架的系统性知识底座;同时配备Harness运行时编排框架管理任务上下文与工具调用,能够端到端完成从材料阅读到专业文件生成的完整工作流,输出格式符合法律行业交付规范,且引用来源可追溯,这是通用对话模型难以达成的。
Q:GLM-Legal的评测成绩如何理解?Harvey LAB全项通过率19.2%意味着什么?
A:Harvey LAB是覆盖完整法律工作流的多步骤任务基准,19.2%的全项通过率意味着模型能够在近两成的任务中独立完成全部环节且无人工干预,较基座模型提升12.5个百分点。LegalBench与PLawBench持平前沿闭源模型,其中PLawBench侧重验证中国法律实务能力,该成绩由Vals独立评估。
Q:模型输出是否可以直接用于客户交付或法庭提交?
A:不建议直接使用。尽管GLM-Legal的输出遵循专业文件格式且引用可追溯,但官方流程明确要求由执业律师进行人工复核,确认论证准确性与格式合规性后方可交付客户或用于谈判。模型定位为提升律师效率的辅助工具,而非替代律师的专业判断。
Q:GLM-Legal支持哪些语言?能否处理跨境法律业务?
A:GLM-Legal中英双语能力均衡,PLawBench验证了中国法律实务能力,同时官方场景示例涵盖跨境合规规划(如新加坡、马来西亚、印尼等法域)。但涉及英美法系深度判例分析的覆盖能力,公开评测与案例数据相对有限,建议在具体场景中先行验证。
Q:AutoClaw是什么?如何通过它在Word中查看修改内容?
A:AutoClaw是智谱推出的桌面Agent平台,GLM-Legal接入后可在Word中以修订模式和批注直接呈现合同修改内容。用户可在z.ai官网下载AutoClaw桌面端,将任务简报与合同文件导入后,模型完成分析并在文档中生成可追溯的修改标注。
Q:GLM-Legal的API定价如何?相较通用模型是否更经济?
A:官方尚未公布GLM-Legal的具体API定价方案,Beta阶段的应用需通过审核后与官方对接商务条款。由于模型基于轻量级基座GLM-5.3-Flash构建,参数量小于同级闭源模型,推理效率更高,部署成本与调用成本具备竞争力,具体定价以官方发布为准。
9. 项目地址
- 产品官网/博客: https://z.ai/blog/glm-legal
- Beta申请入口: https://z.ai/consultation/legal
相关 AI 模型文章

VeriLoop E2 – 清华大学开源的 27B 后训练模型
VeriLoop E2 是清华大学深圳国际研究生院机器人实验室开源的 27B 后训练模型,基于 Qwen3.8-27B 底座,面向代码、数学与物理推理场景。该模型采用 Apache-2.0 协议发布权重与分词器,原生支持 262,144 tokens 的上下文窗口。其核心创新在于 VGR(VeriLoop-Governed Recurrence)机制,将"模型提案"与"外部验证/持久化"彻底分离,...

SemIf – 开源的 AI 决策模型,复现 Jev 语义决策模式
SemIf(原 OpenJev)是一个开源的 AI 决策模型,旨在通过开源手段复现 TypeSafe 闭源服务 Jev 的语义决策接口模式。该模型采用单次前向传播机制,直接读取候选选项对应的 logits 进行打分,由服务端构造结构化结果,从而规避了传统自回归生成后再解析文本的复杂流程。在多个问题共享相同状态时,SemIf 还可复用前缀计算,吞吐量提升近一个数量级。该模型在单张 RTX 3090 ...

Index-Translate – B站开源的多语言翻译模型家族
Index-Translate是B站(哔哩哔哩)Index LLM团队开源的多语言翻译模型家族,基于Qwen3.5底座构建,采用Apache-2.0协议开放权重。该家族文本模型覆盖150种语言互译,提供2B、9B、35B-A3B三种参数规模,支持术语统一、格式保留、指定字段翻译等指令约束。除文本翻译外,家族还包含Index-Echo语音翻译、Index-Homura音节可控翻译、Index-Nat...

GPT-6.1 Sol – OpenAI 推出的新一代主力模型
GPT-6.1 Sol是OpenAI于2026年推出的新一代主力模型,作为GPT-6 Sol的升级版本,以GPT-6 Astra旗舰五分之一的Token价格实现接近后者的智能水平。该模型聚焦智能体编程、电脑操作和专业工作三类高消耗场景,在DeepSWE v1.1真实代码库工程任务上追平Astra,在OSWorld 2.0电脑操作评测中仅落后2.1个百分点,同时将缓存输入价格压至每百万Token仅0...
版权声明:本文部分内容由 AI 辅助生成并经人工校准,版权归本站所有,未经允许禁止任何形式的转载。
