智谱（Z.ai）10 月 12 日发布法律垂域模型 GLM-Legal，该模型基于 GLM-5.3-Flash 构建，面向合同审查、证据分析与合规等实务流程。智谱称 GLM-Legal 在 Harvey LAB 基准上取得 19.2% 的全通过率，较基座模型提升 12.5 个百分点，并在 LegalBench 与中文法律评测 PLawBench 上达到前沿闭源模型的水平。

要理解这个数字，先要看清 Harvey LAB 的评分方式。它采用 " 全通过 "（all-pass）评分：只有当一项任务的每一个环节都做对——识别出正确的问题点、引用正确的法条、论证站得住脚、输出格式符合要求——才算通过。任何一环出错，这道题就是 0 分。在这种严苛标准下，19.2% 是一个相当高的数字。作为对照，智谱的基座模型 GLM-5.3-Flash 得分为 6.7%，全尺寸 GLM 5.3 为 8.3%。

第三方分析给出的对比更直观：GLM-Legal 在 Harvey 基准上单任务成本约 0.15 美元，而 Gemini 4 Argon 约为 10.55 美元，成本相差约 70 倍。换句话说，这是 " 开权重模型 " 在法律智能体基准上取得的最高位置，同时把使用成本压到了闭源前沿模型的零头。

真正的差异：模型与脚手架一起训

GLM-Legal 最有方法论价值的一点，不是分数，而是它怎么训。智谱把训练拆成中训练与后训练两段，而后训练这一段的关键设计是 " 模型与 Harness 协同进化 "。Harness 是运行时编排框架，负责管理任务上下文、接入工具集、回传执行反馈。智谱的说法是：Harness 架构与模型训练同步迭代、双向学习——训练中暴露的边缘案例会指向 Harness 的架构瓶颈，而 Harness 的改进又反过来让模型暴露在真实的执行约束下，学会检索相关上下文、根据中间执行信号调整，最终达到从提示输入到最终交付的生产级标准。

竞争单位变了：从模型到组合体

这套做法对行业的意义可能大于分数本身。它把竞争单位从模型改成了模型加领域数据加工作流运行时加从业者反馈的组合体。对法律、会计、医疗、采购、安全、合规这些垂直领域来说，这个组合体才是真正决定交付质量的单位。

· 法律工作被智谱称为高要求场景的压力测试：它要求事实、法条 doctrine、分析推理与可交付成果之间保持不间断的链条。当智能体接到一个专业任务时，必须从原始材料中提炼争点、构建可辩护的论证，并严格按任务规范格式化输出——同时满足全部约束才是真正的门槛。

· 在 LegalBench 上，GLM-Legal 较基座提升 2.3 个百分点，其中解读类任务涨了 5 个点，智谱归因于每次回答的 token 用量下降。这是一个反直觉的细节：在以长文本生成为主导的年代，更少的 token 反而带来了更高的准确率。

一个值得注意的退步

第三方分析同时指出，GLM-Legal 在 LegalResearchBench 上比基座模型 GLM-5.3-Flash 低了 4 个百分点，原因在于它每道题只检索约 6 次判例，而基座模型检索 16 次。

这个细节很有价值。它揭示了垂域模型优化中的一个普遍权衡：如果训练目标偏向 " 给出确定答案 "，模型会倾向于减少检索次数、少花推理预算；但对真正需要穷尽材料的复杂研究任务，这种 " 高效 " 反而变成了覆盖不足。分数高不等于适用面广，这是垂域模型选型时必须自己测的部分。

▍ 把这些故事放在一起看，行业的竞争单位已经变成：模型、Harness、权限、评测与审计日志的组合。

数据全部来自公司自述

这里必须说清楚：所有基准分数均为智谱自述，尚未有第三方独立复现。官方博客没有点名具体的对标系统，也没有公布它们的分数。此外，目前没有公开 API，用户需通过咨询表单申请；模型随智谱桌面智能体 AutoClaw 一并提供，注册赠送 24 美元额度。

专业智能体的三条判断标准

如果要把这条新闻的启示提炼成可用的判断框架，有三个指标值得在选型时自己测，而不是看榜单。

第一是端到端完成率，而非单点准确率。法律、会计这类工作的交付物是 " 能不能直接拿去用 "，不是 " 某一步答得对不对 "。Harvey LAB 的全通过率之所以严苛，正是因为它衡量的是整条链路。

第二是人工返工量。智谱自己在生产反馈环节用的判断标准很实在：关键争点与边缘情形是否都被覆盖、论证是否有充分支撑且引用法条可靠、交付物是否严格遵循任务说明、下游团队能否无需返工直接使用。这四条比任何基准分数都更接近真实价值。

第三是可审计性。专业领域的输出必须能被复核——每一条结论来自哪份材料、哪一条法条，来源可追溯。这也是为什么智谱把 Harness 的执行反馈回路写进训练方法里：它不只关心答案对不对，还关心答案能不能被解释。

把这三条放在一起看，GLM-Legal 的意义在于它证明了一件事：在法律这类高约束、高责任的垂域里，小参数模型 + 深度领域适配 + 好的运行时编排，是可以打赢参数规模占优的通用模型的。而成本相差 70 倍，意味着这条路径的商业化空间可能比想象中大得多。

19.2% 的全通过率与 0.15 美元的单任务成本，构成了这条新闻最值得记住的一组数字。但更重要的变化是竞争单位已经改变——从 " 谁的单模型更强 "，变成 " 模型加领域数据加工作流运行时加从业者反馈 " 的组合体强不强。对正在做垂域 AI 的团队来说，这或许比任何一次榜单刷新都更值得重新评估自己的技术栈。