Z.ai, čínská laboratoř umělé inteligence stojící za rodinou modelů GLM, vydala 12. října GLM-Legal, doménově specializovaný model vytvořený tak, aby zvládal komplexní právní práci spíše než odpovídal na izolované otázky. Podle oznámení společnosti GLM-Legal dosáhla 19,2% úspěšnosti v Harvey's Legal Agent Benchmark (LAB), přičemž se vyrovnala mnohem větším hraničním systémům v zavedených testech právního uvažování – a spuštění rychle přitáhlo pozornost na Hacker News, kde během několika hodin nasbírala 170 bodů.
Vydání je zatím nejjasnějším signálem toho, kam si Z.ai myslí, že trh směřuje. V rámci společnosti se velké jazykové modely posouvají od generování kódu jedním otočením směrem k tomu, co nazývá „Professional Cowork“: znalostní práce, ve které musí agent strávit fragmentované zdrojové dokumenty podle konkrétních cílů a přísných omezení doručení, strukturovat specializované znalosti do soudržné analýzy a udržovat přísnost domény od první výzvy až po konečné doručení. Právní praxe, tvrdí Z.ai, koncentruje všechny tyto požadavky na jednom místě, což z ní dělá ideální zátěžový test pro profesionální umělou inteligenci. V našem nejnovějším zpravodajství o AI můžete sledovat, jak reaguje zbytek odvětví.
Čísla za startem
Z.ai hodnotila GLM-Legal ve třech osách: provádění komplexních úkolů, specializované právní uvažování a právní pracovní postupy v reálném světě. Hlavní výsledek je na Harvey's LAB, benchmarku vytvořeném právní společností Harvey v oblasti umělé inteligence, který vyžaduje, aby modely pracovaly se zdrojovými dokumenty a řídily se podrobnými instrukcemi k výrobě hotových produktů pro legální práci.
Z vyhlášení vyčnívají tři výsledky:
Harvey LAB — 19,2 % all-pass. Napříč pracovními postupy právnických firem v reálném světě, které zahrnují 24 oblastí praxe, dosáhla GLM-Legal 19,2 % podle přísného hodnocení Harvey all-pass, což je zlepšení o 12,5 procentních bodů oproti základnímu modelu. Režim hodnocení je záměrně neúprosný: odevzdaná práce musí splňovat všechny požadavky na započítání, takže částečné zápočet neexistuje. Z.ai říká, že skóre potvrzuje spolehlivé end-to-end provedení bez přechodné degradace. LegalBench — parita s uzavřenými modely hranic. Na LegalBench, která testuje specializované uvažování nad smlouvami, fúzemi a soudními posudky, Z.ai uvádí, že GLM-Legal odpovídá nejlepším uzavřeným hraničním modelům, přestože běží na tom, co společnost popisuje jako výrazně štíhlejší parametr. PLawBench — síla v čínské praxi. Na PLawBench, který hodnotí čínské právní konzultace, analýzu případů a navrhování dokumentů podle jemně zrnité rubriky, Z.ai tvrdí, že je rovnocenný s předními hraničními systémy.Číslo 19,2 % si zaslouží druhé přečtení. Je to zároveň záznam pokroku – skok o 12,5 bodu oproti základnímu modelu – a připomínka toho, jak náročné agentské právní hodnocení zůstává. Při hodnocení všech úspěšnosti toto číslo znamená, že podstatná většina úplných pracovních postupů stále selhává alespoň na jednom požadavku. Legální kupující hodnotící systémy umělé inteligence by měli číst benchmarky prodejců s přesně touto nuancí na mysli.
Jak bylo vyškoleno právní oddělení GLM
Z.ai postavil model na GLM-5.3-Flash, odlehčeném základním modelu, který společnost uvedla na trh začátkem tohoto roku, a navršil kompetence domény prostřednictvím dvoufázového potrubí, které popisuje jako neobvykle zaměřené na efektivitu.
Střední školení o právnických korpusech
První fáze rozšiřuje vysoce kvalitní právní korpusy během středního školení, což umožňuje modelu naučit se právní koncepty, statutární pravidla a interpretační rámce v hustém doménovém kontextu. Z.ai říká, že tato fáze posiluje deduktivní řetězec mezi fakty, pravidly a závěry – substrát, který model potřebuje, než bude moci provést komplexní následnou práci.
Následný trénink s postrojem ve smyčce
Druhá fáze využívá posilovací učení napříč desítkami tisíc realistických právních prostředí. Je pozoruhodné, že Z.ai necvičil model izolovaně: svazek agentů – běhový orchestrační rámec, který spravuje kontext úloh, propojuje sady nástrojů a směruje zpětnou vazbu při provádění – byl kooptimalizován s modelem v lockstepu. Okrajové případy, které se objevily během trénování modelu, odhalily úzká místa v architektuře svazku, zatímco vylepšení svazku se vrátila do tréninku a naučila model získat relevantní kontext a přizpůsobit se realistickým omezením provádění.
Smyčky zpětné vazby výroby
Nakonec Z.ai říká, že pracovní postupy v reálném světě a zpětná vazba od praktiků stanovily plán optimalizace. Právníci hodnotí výstupy podle konkrétních kritérií: zda jsou vyřešeny všechny kritické problémy a okrajové případy, zda jsou argumenty podložené a citace správné, zda výstupy odpovídají stručnému popisu záležitosti a zda následné týmy mohou výstup použít bez ručního přepracování. Tyto úsudky jsou převedeny na konkrétní inženýrské signály, které řídí další školení.
Co to znamená pro právní odvětví
Modely specializované na doménu se stávají vážnou kategorií. Spíše než sázet na to, že jeden obecný model bude vynikat všude, Z.ai sází na to, že úzce vymezené profesionální úkoly odměňují cílené střední školení a zdokonalování založené na hodnocení – přístup, který vyměňuje obecnost za spolehlivost při úzkém pracovním zatížení s vysokou hodnotou.
I zde je výrazná konkurenční ozvěna. Nové modely Muse Wonder společnosti Meta, které byly oznámeny ve stejný den, byly také hodnoceny v Harvey's LAB, což je známkou toho, že právní benchmark vytvořený jednou z předních společností právní AI se stal mezioborovým měřítkem pro kompetence agentů. Když jsou laboratoře zaměřené na spotřebitele a specializované startupy hodnoceny stejným testem, kupující získávají vzácný srovnávací bod jablka k jablku.
Upozornění, která stojí za to mít na paměti
Výsledky jsou samostatně reportovány společností Z.ai a nezávislá replikace agentních právních benchmarků je stále vzácná. Společnost neuvedla, zda a jak bude GLM-Legal široce dostupné, kolik bude tento model stát nebo jak zachází s důvěrností klientů – otázky, které by si před přijetím položila jakákoli právní firma nebo právní oddělení. A jako u všech srovnávacích testů výrobců, výkon na Harvey's LAB měří výkon na Harvey's LAB; nezaručuje kompetence v záležitostech, jurisdikcích nebo formátech dokumentů konkrétní firmy.
Přesto je těžké ignorovat trajektorii. Štíhlý model postavený na základu třídy Flash, který odpovídá uzavřeným hraničním systémům na základě právního zdůvodnění, naznačuje, že éra profesionální AI specifické pro doménu přichází rychleji, než mnozí očekávali.
