智谱 Z.ai 发布法律智能体模型 GLM-Legal：Harvey LAB 全通过率 19.2%
智谱 Z.ai 发布法律智能体模型 GLM-Legal，Harvey LAB 全通过率 19.2%，API 按申请开放；独立榜单列其第 7。
10 月 12 日，智谱 Z.ai 发布面向法律工作的智能体模型 GLM-Legal：在基座 GLM-5.3-Flash 上做法律语料中期训练与强化学习后训练，官方公布的 Harvey 法律智能体基准（Harvey LAB）全通过率为 19.2%，比基座高出 12.5 个百分点。权重没有提供下载，API 以申请制开放测试，定价也未公布。
要点
- 19.2%，全对才算过的口径：官方博客（10 月 12 日）公布 Harvey LAB 全通过率 19.2%，较基座 GLM-5.3-Flash 提升 12.5 个百分点；该基准取材真实律所工作流，覆盖 24 个执业领域，按全部检查点通过才计分。
- 第三方榜单第 7：评测机构 vals.ai 的 Harvey LAB 榜（10 月 12 日更新，79 个模型）列 GLM Legal 第 7，任务通过率 19.17%，单次测试成本 0.15 美元；榜首 Muse Spark 1.2 为 25.42%，前五名全部来自 Muse Spark 与 Wonder Full 两系。
- 申请制 API，AutoClaw 待接入：API 测试要在 z.ai/consultation/legal 提交申请；官方称模型即将进入其桌面智能体平台 AutoClaw；是否开源，官方博客只字未提。
背景
Harvey LAB 是法律服务公司 Harvey 的基准，考的是真实律所的任务，而 Harvey 自己早就下场调过模型：今年 6 月它与 Applied Compute 合作，用强化学习后训练推高 GLM-5.1——据 Harvey 官方博客 2026 年 6 月 22 日的文章，后训练把 rubric 通过率做到 0.913，称超过 GPT-5.5 xhigh 与 Opus 4.8 Max。要注意口径：那是 Harvey 自己跑分的 rubric 通过率，与这次的 19.2% 全通过率不是同一把尺子，不能直接换算。智谱这边，GLM 系一直走开放权重路线——GLM-5.3 开源到被 Anthropic 威胁报告点名为攻击能力最强的开放权重模型；10 月 12 日同一天，速度特化的 GLM-5.3-Highspeed 还在 Zcode 里灰度。这次官方博客对开源与否保持沉默，HN 早期留言里就有人直问「这不是开放模型吧」。
事实部分
GLM-Legal 的核心数字如下，每条标注出处与口径：
| 项目 | 数字 / 口径 | 出处 |
|---|---|---|
| Harvey LAB 全通过率 | 19.2%，全部检查点通过才计分 | 官方博客，2026-10-12 |
| 较基座提升 | +12.5 个百分点（隐含基座约 6.7%） | 官方博客 |
| vals.ai 任务通过率 | 19.17%，排第 7 / 79 | vals.ai，2026-10-12 更新 |
| vals.ai 单次测试成本 | 0.15 美元（输入 0.075 / 输出 0.25） | vals.ai |
| LegalBench | 官方称与顶级闭源前沿模型相当，参数量更精简 | 官方博客，厂商口径 |
| PLawBench | 官方称中文法律场景（咨询、案例分析、文书起草）与领先前沿系统相当 | 官方博客，厂商口径 |
| 训练方法 | 法律语料中期训练，加数万个模拟法律环境上的 RL 后训练，并与 agent harness 协同进化 | 官方博客 |
| 获取 | API 申请制；AutoClaw 即将接入；无定价 | 官方博客 |
两边的数字能对上：vals.ai 榜上 GLM 5.3 Flash 的通过率是 6.67%，加上官方宣称的 12.5 个百分点，正好落在 GLM Legal 的 19.17%——独立榜单与官方口径互相印证。对不上的是叙事：官方写「比肩闭源前沿模型」，而榜单第 7 的前面还压着 6 个模型，距榜首 Muse Spark 1.2 隔着 6 个百分点。
各方说法
HN 讨论帖（2026-10-13 查询，369 分、209 条评论）把火力集中在基准本身：
- 用户 mathis-l 说自己看过 agent 跑 Harvey firm knowledge 任务子集的轨迹，「发现多条任务和评分细则有问题」，并列出 3 个例子。他在 10 月 9 日于 Harvey 开源的 harvey-labs 仓库提交的 issue（第 191 号，截至 10 月 13 日仍开放）写得更具体：任务 113 的 rubric 声称只有三个案卷涉及临时禁令申请，但数据集里第 1011-00004 号案卷同样满足条件。
- 用户 jimz 的批评更重：移民和白领刑事辩护任务的「正确答案」，照做会让委托人被拘留、递解，或者干脆在辩护中出卖委托人；基准默认国家方的初始主张是对的，也没算进 Loper Bright 判决对美国行政法的改变。他的结论是这至少算「不合格」。
- 自述上过法学院、后来回到工程行业的 otterley 说：「基准上 80% 的未通过率告诉我，自动化离实用还很远，哪怕只在检索和起草阶段」——而且即使产出与合格律师相同，律师仍须逐项核验。
- 用户 postalcoder 的第一反应是「这不是开放模型」，并好奇中国实验室陆续闭源之后社区舆论会怎么变；他还联想到 Harvey 近期被美国实验室压价的报道。
编辑判断
看 GLM-Legal，绝对值不是重点，路径才是：领域语料中期训练加 RL 后训练，再让模型与 agent harness 一起迭代，12.5 个百分点的提升全部压在法律这一个垂类上——编码智能体验证过的打法，正在被复制到下一个专业领域。对比 Arena 智能体榜上 Opus 5.5 Max 首秀即登顶，通用榜与垂类榜的分差也在提醒：前沿是分领域的。官方「比肩前沿」与第三方「第 7」并存，两个说法各有各的尺子，放在一起读才不偏。对想做法律科技的团队，三件事没有落地：权重不开、定价不报、基准质量自己也在被质疑（191 号 issue 还开着）。在一个榜首通过率也没超过 26% 的领域，把它当研究信号，比当生产依赖更合适。
怎么试
- API：到 z.ai/consultation/legal 提交申请，写清用例，等审核通过后接入。
- AutoClaw：官方称模型即将进入 autoclaw.z.ai 的桌面智能体平台，可以先关注这个平台。
- 复核榜单：vals.ai 的 Harvey LAB 页列出 79 个模型的逐项通过率与成本；Harvey 的 harvey-labs 任务仓库开源，可以直接看被质疑的那道任务长什么样。