GLM-Legal 开放权重法律模型：19.2% 与 86.23% 怎么读，敏感合同能不能不出域

核心要点
– 10 月 12 日发布 GLM-Legal，底座为 Flash
– Harvey LAB 全通过率 19.2%，复核 19.17%
– LegalBench 准确率 86.23%，开放权重模型第一
– 法律研究基准 41.83%，低于基座 45.19%
– 单题成本约 0.15 美元，平均耗时 1 小时 12 分

10 月 12 日，智谱把 GLM-Legal 推到台前，定位很清楚：合同审查、证据梳理、跨境合规研究。一批跨境团队看到”开放权重法律模型”的说法，第一反应是敏感合同终于能不出域了。

这件事需要拆开看。分数是真的，落地路径和媒体的标题不完全一样。

两个数字，先把口径钉住

Harvey LAB 是一套文件型智能体基准，覆盖 24 个法律执业领域，每道任务按”全条件通过”计分——一项任务里的所有评分点必须全部满足才计入通过，少一条就整题判负。智谱公布的口径是 19.2% 全任务通过率，较基座模型提升 12.5 个百分点。第三方评测方 Vals AI 独立跑出的读数是 19.17%，两者一致。

LegalBench 那一栏是 86.23%，官方同时给出 PLawBench 77.3。LegalBench 更接近常规法律推理题，判分逻辑和全通过制不是一回事，86.23% 不需要”每一小问都过”才拿到。

表里第三行值得单独说。GLM-Legal 在法律研究基准上是 41.83%，比自己的基座 45.19% 低了 3 个多点。第三方分析给的解释是检索深度差异：每道题检索案例约 6 次，基座是 16 次。读得更快，检索得更少，”先把材料查全再下判断”这类活会退。

主编判断：两个数字并排写在宣传页上容易让人误读。一个涨了 12.5 个百分点，另一个跌了 3 个多点，方向相反。

“开放权重第一”是筛选口径，不是全榜第一

官方口径里，GLM-Legal 位居 Harvey LAB 与 LegalBench 双榜开放权重模型首位。这个说法在限定条件下成立：Vals AI 的榜单页面提供一个只看开放权重模型的筛选开关，在该视图下它是第一。

放回全榜就不一样了。Harvey LAB 全榜 79 个模型里，GLM-Legal 排第 7，前六名的领跑者得 25.42%。LegalBench 上它排 15/151。有媒体标题写成”登顶”，那是不准确的。

这事对跨境团队的含义很实际：宣传口径的第一，帮你排掉了大部分闭源竞争对手；全榜第 7 意味着前面还有六款模型可选，采购谈判时你有替代项。榜单在变，评测方换一批题目、换一批评委，排序就会动。读法可参考AI 相关商品占全球贸易增量 76% 那篇。

还有一处容易被忽略。GLM-Legal 本体目前没有公开权重，智谱给出的入口是申请制 API 测试，不是下载。公开可下载的是底座 GLM-5.3-Flash，MIT 许可，3200 亿总参数、180 亿激活参数、100 万 token 上下文。媒体说的”开源法律模型”沿用了宽松叫法：能拿走的是通用底座，法律能力装在托管服务里。

敏感合同能不能不出域：分三种情况

要谈”不出域”，得先分清三种部署形态。

第一种，通用底座本地部署。GLM-5.3-Flash 的 MIT 许可允许商用自建，供应商协议、代理合同、平台条款可以完全跑在自己的机器上，不经过外部接口。代价是没有法律专项训练，模型不认你的合同模板，也不认你所在行业的交易习惯。

第二种，垂域能力走 API。GLM-Legal 的合同审查、证据矛盾梳理、跨境合规研究能力只在申请制的托管服务里。文书要出域，这是官方架构决定的，不是配置问题。折中做法是把敏感字段脱敏后送审、结论回来再本地核对，但脱敏本身要人审，流程反而变重。

第三种，能力自建。底座本地跑，配合自己的合同语料微调，或者用智能体框架把审核流程拆成”抽取—比对—生成—复核”几步，每步都能人工卡口。这条路最重，但对长期合作的供应商合同库，可控性最好。

“出不出域”本质上不是安全问题，是控制权落在谁手上。同一份合同，能在本地跑、能在申请制上跑、也能在公开云上跑，区别在于出错时谁能改、谁能看到、谁担责。AI 与半导体货抢舱位那篇讲的是另一类资源分配问题，思路相通：先算清约束在哪，再谈优化。

同日开源扩军，两段补位

Mistral 在 10 月 15 日放出 Timestral，四个时间序列基础模型，尺寸 5M、28M、123M、209M，权重在模型库上是 Modified MIT，推理代码在代码托管站是 Apache 2.0。它一次给出 21 个分位点的概率预测，能读 32768 步历史、支持已知未来的协变量，8 线程服务器 CPU 上，5M 约 10 毫秒出结果，209M 约 140 毫秒。官方称 209M 在三个公开预测基准上居预训练与零样本首位。

Amazon 和 PyTorch 社区在 10 月 19 日公布、20 日公开测试版 TorchNeuron，Apache 2.0 许可，让 PyTorch 代码用 .to('neuron') 直接跑在 Trainium2 和 Trainium3 上。官方技术说明写得直白：上游约 15.4 万项测试中约 6.9 万项被跳过，动态形状、稀疏张量这批能力首版没有。

同日开放扩军的方向很清楚：模型这一层在分化，底座、垂域服务、时间序列、硬件后端各占一段。上半年跨境电商数据盘点那篇里那些销量和备货数据，正好是 Timestral 这类模型的输入格式。

落到跨境团队，三件事现在就能做

第一，先量自己的任务命中率，不要看榜单。拿 30 到 50 份真实合同或合规文档做小样本，让候选模型跑一遍，看条款抽取和风险提示的可用比例。19.2% 这个数在别人家的任务分布上，落到你的文书上可能是另一个数。

第二，把 API 层做成可切换的。GLM-Legal 是申请制，价目未公开，条款也可能变。调用层留一层薄接口，换供应商时改配置而不是改流程。底座那侧用 MIT 许可的 GLM-5.3-Flash 兜底，敏感文书永远有本地路径。

第三，把时间序列和语言模型分开采购。销量预测、补货节奏这类活不需要大模型，Timestral 四个尺寸里挑一个在本地跑，10 毫秒级出结果，旺季前重算几轮都不心疼。语言模型管合同和合规，别让它兼职做算术。

判断一家模型供应商能不能进采购清单，看三件事：数据能不能不出域、换掉要多久、评测口径你能不能自己复核。这三条，GLM-Legal 目前只部分满足。

参考文章

• 《GLM-Legal: 法律专用大模型》｜智谱 AI 官方博客｜https://z.ai/blog/glm-legal
• 《GLM-Legal 模型评测页》｜Vals AI｜https://www.vals.ai/models/zai_glm-legal
• 《Z.ai GLM-Legal Scores 19.17% on Harvey LAB at $0.15 a Test》｜AI in Context｜https://aiincontext.com/articles/z-ai-s-glm-legal-hits-19-17-on-harvey-lab-at-0-15-a-test-5041e87d
• 《智谱推出 GLM-Legal:轻量底座上长出的法律智能体》｜InfoQ 写作社区｜https://github.com/THUDM
• 《GLM-Legal: Domain Specialization Meets the All-Pass Test》｜ContextOS｜https://contextosai.com/blog/zai-glm-legal-domain-specialization-evidence
• 《Introducing Timestral 时间序列基础模型仓库》｜Mistral AI GitHub｜https://github.com/mistralai/timestral/
• 《AWS announces TorchNeuron: Native PyTorch Support for AWS Trainium》｜AWS 官方公告｜https://aws.amazon.com/about-aws/whats-new/2026/10/aws-announce-native-pytorch-support-trainium

FAQ

GLM-Legal 到底是不是开源模型？

严格说不是。法律能力装在申请制的托管服务里，没有公开权重；公开可下载的是它的底座 GLM-5.3-Flash，MIT 许可。”开放权重法律模型”是媒体沿用的宽松叫法，采购时按半开放对待更稳妥。

19.2% 和 86.23% 哪个更能代表实际表现？

两个口径不一样。19.2% 是 Harvey LAB 的全条件通过率，一题多条件要全过才算通过，衡量的是”能不能交出完整成果”；86.23% 是 LegalBench 准确率，接近常规法律推理题。真实业务更接近前者，所以看 19.2% 这条线。

Legal Research Bench 分数比基座低，是不是模型退化？

在需要先查全案例再下判断的任务上确实退步，第三方分析指向检索次数从 16 次降到约 6 次。其他任务上它明显更强。选型时先明确你的活属于哪一类。

用 Timestral 做备货预测，够准吗？

官方说法是 209M 在三个公开基准的预训练与零样本组居首，但成绩是自行提交、尚未在榜单上公示，技术报告也还没出。四个尺寸里挑一个，先用你自己的历史销量跑一段时间校准，再决定要不要进补货流程。