10 月 12 日，智谱（Z.ai）发布法律垂域模型 GLM-Legal：轻量基座 GLM-5.3-Flash 加上法律领域训练，官方博客给出的头条数字是 Harvey LAB 全项通过率 19.2%，较基座提升 12.5 个百分点。多数人的第一反应大概是「才 19.2%？」——先别急着下结论。同一份被转引的第三方独立评估里，单项标准达成率约 92.5%，整题全过只有 19.2%；而 ZAKER 转引的对照口径显示，基座 GLM-5.3-Flash 在同一基准上只有 6.7%。一个看起来寒酸的 headline 数字，拆开看是一条完整的垂域方法论通关记录。这篇文章做三件事：19.2% 到底怎么读、这条方法论长什么样、以及那个更刺激的数字——单任务成本约为 Gemini 4 Argon 的七十分之一——对法律 AI 市场意味着什么。
先说分工：本站此前已写过 GLM-5.3-Flash 基座本身的资源篇、开源热点篇与集成 SOP；本文角度不同——拆的是「轻量基座加领域训练如何把 Harvey LAB 全通过率从 6.7% 拉到 19.2%」的垂域方法论、19.2% 这个数字怎么读、以及 70 倍成本差对法律 AI 市场意味着什么，不重复基座测评。
一、19.2% 是什么：先看懂 Harvey LAB 的「全项通过」
要读这个数字，先得看懂评分规则。Harvey LAB 覆盖 24 个执业领域的真实律所工作流（官方口径），采用 all-pass 严苛评分：一项任务里每个环节都对——识别正确问题点、引用正确法条、论证站得住、格式合规——才算通过；任何一环出错，整题计 0 分。
翻译成考试语言：这不是选择题，蒙对一步拿一步的分；这是一道大题，一步错则整体归零。所以 Harvey LAB 的全项通过率天然偏低，任何模型的绝对分数都不好看——它的设计目的就是把「大体正确」和「可以直接交付」区分开。
第三方独立评估平台 Vals 给出的数字（aistify 转引 Vals 页面口径，二手）把这件事讲得更直白：GLM-Legal 在 Harvey LAB 上全项通过率 19.17%，单项标准达成约 92.5%。两个数字放一起，画面就出来了：模型在绝大多数评分要点上是对的，但只要一项任务里有一个环节掉链子，整题归零。Vals 同时明确了一个重要提醒——headline 分数不可读作通用法律准确率。19.2% 不是「回答 100 个法律问题答对 19 个」，而是「100 件完整的律所工作，19 件全程无差错」。对法律这种一步错就可能输官司的行业，后一种读法的信息量比前一种大得多。
同一基准上的对照组（ZAKER 转引口径）：基座 GLM-5.3-Flash 6.7%，全尺寸 GLM 5.3 8.3%。换句话说，GLM-Legal 的 19.2% 是在 6.7% 的地基上起的高楼，提升 12.5 个百分点；而且一个基于轻量基座的垂域版本，分数反超了全尺寸通用基座——在这个基准上，领域训练的增益盖过了参数规模的差距。Vals 页面还列出 LegalBench 86.23%、Legal Research Bench 41.83%（同上，二手口径）；官方口径则称 LegalBench 与 PLawBench 持平前沿闭源模型——LegalBench 解析专业合同、并购文件、司法意见，PLawBench 考中国法律咨询、案例分析、文书起草。官方宣传口径与独立页面数字可以互相参照，但别混为一谈。
二、从 6.7% 到 19.2%：三段式垂域训练方法论
数字读完了，看方法。官方博客披露的路线是：轻量基座 GLM-5.3-Flash 加法律领域中间训练（mid-training）加强化学习后训练（post-training），分三步走。
第一步，中训练：扩展高质量法律语料，建立对法律概念、法规规则、解释框架的系统知识。这一步解决的是「懂行话」——把法言法语、条文结构、解释范式变成模型的底层直觉，而不是靠问答微调现学现卖。
第二步，后训练：在数万个真实法律任务环境中做强化学习。官方博客点名的核心设计是「模型与 Harness 协同进化」。Harness 是运行时编排框架，管理任务上下文、工具集和执行反馈；训练中暴露的边缘案例反哺 Harness 架构，架构改进又让模型适应真实执行约束，双向迭代。用大白话说：模型在模拟律所工作流的「考场」里做题，遇到没见过的边角情况，不是只调模型权重，也改考场本身；考场改得越来越接近真实执业约束，模型再适应新考场。模型和考场一起进化——这跟「静态数据集上刷分」是两种范式。
第三步，生产反馈闭环：执业律师按「问题覆盖、论证有据、格式合规、零返工」四个维度评审，把主观质量变成工程损失信号回灌训练。这一步的关键是把「律师觉得行不行」翻译成「损失函数认不认」。法律是少数反馈信号高度结构化的领域：法条引用可以核对，格式合规可以校验，返工率可以统计。
这套方法论真正值得行业抄的部分在于：垂域模型的竞争焦点正在从「预训练喂了多少数据」转向「训练环境搭得多真、评审信号多硬」。GLM-Legal 把律所的真实工作流同时用作考场（RL 环境）、考官（律师评审）和质检线（四维评审），轻量基座因此跑出了超越全尺寸通用模型的垂域分数。对资源有限的团队，这条路径的暗示很直接：与其在通用参数规模上军备竞赛，不如把领域内的训练环境与反馈闭环做重。
三、70 倍成本差：法律 AI 的单位经济学可能被重写
比通过率更刺激的是成本。ZAKER 转引第三方分析口径（未独立复测）：GLM-Legal 在 Harvey 基准上的单任务成本约 0.15 美元，Gemini 4 Argon 约 10.55 美元，相差约 70 倍。先把口径钉死：这是第三方分析数字，未经独立复测，基准表现与定价都会变，一切以官方页面为准。
如果这个量级经得起复测，冲击的是现有法律 AI 的商业模式底盘。看对照组（ai-bot 对比表口径）：Harvey 基于 GPT 等第三方前沿模型构建法律 Agent 套件，独立 SaaS，深度集成 Word 与律所系统，以英美法系英语市场为主——这是「前沿通用模型加重集成套件」路线；GLM-Legal 走的是「垂域模型加轻交付」路线，中英双语均衡，API 加 AutoClaw 形态，官方称 multi-lingual（pivotnews 转引口径）。
两条路线的单位经济学完全不同。套件路线的成本跟着前沿模型的 API 价格走，溢价靠集成深度与品牌支撑；垂域模型路线把领域知识压进模型本身，边际成本有机会压到接近通用轻量模型的水平。70 倍的成本差意味着：按件计费的法律服务——合同审查、尽职调查、合规筛查——的边际成本可能出现数量级下降。法律服务的定价长期锚定在「律师小时数」上，模型侧成本塌方到这个程度，「AI 按件收费」才真正有账可算。
但边界也要说清楚。第一，Harvey LAB 是律所工作流基准，不等于真实计费场景，成本差是基准单任务口径，真实负载还要看调用量、人工复核率与集成成本。第二，法律 AI 的采购决策里，准确率、可审计性与律所信任的权重不低于价格——19.2% 的全项通过率再漂亮，离「零差错交付」也还有距离，人机协同的复核流程短期内省不掉。第三，市场是分层的：英语市场拼集成深度与生态，中文与多语言市场可能是垂域模型的机会窗口——GLM-Legal 的中英双语均衡和 AutoClaw 交付形态，明显是冲着后一块去的。
四、演示里的真东西：修订模式与证据串联
官方博客给了两个演示，比基准分数更能说明「生产反馈闭环」训练出来的模型长什么样。
第一个是合同审查。场景是软件服务合同换供应商，模型站在客户立场给出具体修改：把 convenience-termination（任意终止权）的通知期从 60 天压到 30 天、删除涉及知识产权、保密与数据安全违约的 cure period（补救期）、要求无论付款与否返还全部交付物与半成品、增加最多 90 天的过渡协助。这些修改经 AutoClaw 以 Word 修订模式加批注呈现。注意交付形态：输出不是「一段建议文字」，而是直接落在律师工作界面里的修订和批注——「模型会不会答」和「律师能不能直接用」之间，隔着整个工作流，这一手补的就是那一环。
第二个是证据分析。一个 40 份文档的软件开发争议：外部客户报告（9 月 30 日）称进度正常、完成 60%，内部邮件（9 月 8 日）却警告里程碑无法诚实交付，内部快照显示约 41% 完成，CEO 指示压低调风险继续开票。模型引主服务协议第 2 条与第 5 条——付款不弃权、保证存续——支撑「隐瞒」理论，并且区分事实观察与法律推论。这个例子的亮点不是结论本身，而是论证结构：引用具体条款、区分事实与推论、在几十份文档间做证据串联——这正是 all-pass 评分里「引用正确法条」「论证站得住」两个环节的实弹演练。能力清单里还有法律研究、合规规划（新加坡、马来西亚、印尼上线的隐私合规例，输出分优先级的落地清单并附法条）与专业文件生成。
五、接入方式与边界：Beta、API、AutoClaw，以及不开权重
想上手的话，路径是这样的：Beta 申请走 z.ai/consultation/legal 表单，会问组织与用途；API 同样需要申请；AutoClaw 桌面端集成 forthcoming（官方博客口径）。需要泼的冷水：无公开发布会日期与完整价目表（aistify 口径），排期与价格以官方页面为准。
另一个必须记录的边界：Artificial Lawyer 报道 GLM-Legal 预计不作为开放权重模型发布（pivotnews 转引，二手口径）。这跟同门 GLM-5.3-Flash 的 MIT 开源形成鲜明反差——智谱在通用基座上开源换生态，在垂域模型上闭源保商业，「通用开源加垂域闭源」的分层策略越来越像行业默认答案。对垂域模型本身，这也意味着复测与第三方验证只能走 API 与基准页面，权重层面的 inspect 无从谈起。
一句话收尾：当轻量基座加上领域训练能把全项通过率从 6.7% 推到 19.2%，当单任务成本出现约 70 倍的量级差，法律 AI 竞争的焦点就从「谁的模型更聪明」变成了「谁把训练环境、反馈闭环和交付形态做得更重」——19.2% 这个数字，读法是通关记录，不是成绩单。
参考来源
- 智谱官方博客（2026-10-12）：GLM-Legal 发布公告与方法论说明，https://z.ai/blog/glm-legal
- Beta 申请入口：https://z.ai/consultation/legal
- ZAKER（2026-10-12 前后）：GLM-Legal 发布报道（基座对照 6.7%/8.3% 与第三方成本分析均为其转引口径）
- Vals 独立评估页面（aistify 转引，二手口径）：Harvey LAB 19.17%、LegalBench 86.23%、Legal Research Bench 41.83%
- Artificial Lawyer：GLM-Legal 预计不开权重（pivotnews 转引，二手口径）
- Unite.AI（2026-10-12）：GLM-Legal 发布报道
本文基于截至 2026-10-14 的公开信息整理，官方宣传口径、二手转引口径均已标注，价格与能力以官方页面为准。