Z.ai ដែលជាមន្ទីរពិសោធន៍ AI របស់ចិនដែលនៅពីក្រោយគ្រួសារគំរូ GLM បានចេញផ្សាយ GLM-Legal កាលពីថ្ងៃទី 12 ខែតុលា ដែលជាគំរូពិសេសតាមដែនដែលត្រូវបានបង្កើតឡើងដើម្បីដោះស្រាយការងារផ្នែកច្បាប់ពីចុងដល់ចប់ជាជាងឆ្លើយសំណួរដាច់ដោយឡែក។ យោងតាមការប្រកាសរបស់ក្រុមហ៊ុន GLM-Legal សម្រេចបានអត្រាឆ្លងកាត់ 19.2% លើ Harvey's Legal Agent Benchmark (LAB) ខណៈពេលដែលត្រូវគ្នានឹងប្រព័ន្ធព្រំដែនធំជាងនេះ លើការធ្វើតេស្តហេតុផលផ្លូវច្បាប់ដែលបានបង្កើតឡើង ហើយការបាញ់បង្ហោះនេះបានទាក់ទាញការចាប់អារម្មណ៍យ៉ាងឆាប់រហ័សលើ Hacker News ដែលជាកន្លែងដែលវាប្រមូលបាន 170 ពិន្ទុក្នុងរយៈពេលប៉ុន្មានម៉ោង។
ការចេញផ្សាយនេះគឺជាសញ្ញាច្បាស់លាស់បំផុតនៃកន្លែងដែល Z.ai គិតថាទីផ្សារកំពុងធ្វើដំណើរ។ នៅក្នុងស៊ុមរបស់ក្រុមហ៊ុន គំរូភាសាធំៗកំពុងផ្លាស់ប្តូរពីការបង្កើតកូដវេនតែមួយឆ្ពោះទៅរកអ្វីដែលគេហៅថា "Professional Cowork"៖ ការងារចំណេះដឹងដែលភ្នាក់ងារត្រូវរំលាយឯកសារប្រភពដែលបែកខ្ញែកក្រោមគោលបំណងជាក់ស្តែង និងឧបសគ្គនៃការដឹកជញ្ជូនតឹង រចនាសម្ព័នចំណេះដឹងឯកទេសទៅជាការវិភាគដ៏ស្អិតរមួត និងរក្សាភាពម៉ត់ចត់នៃដែនពីប្រអប់បញ្ចូលដំបូងរហូតដល់ការចែកចាយចុងក្រោយ។ ការអនុវត្តច្បាប់ Z.ai អះអាងថា ប្រមូលផ្តុំការទាមទារទាំងនោះនៅកន្លែងតែមួយ ដែលធ្វើឱ្យវាក្លាយជាការធ្វើតេស្តភាពតានតឹងដ៏ល្អសម្រាប់ AI កម្រិតវិជ្ជាជីវៈ។ អ្នកអាចតាមដានពីរបៀបដែលឧស្សាហកម្មផ្សេងទៀតឆ្លើយតបនៅក្នុងការផ្សាយព័ត៌មាន AI របស់យើង។
លេខនៅពីក្រោយការបាញ់បង្ហោះ
Z.ai បានវាយតម្លៃ GLM-Legal ឆ្លងកាត់អ័ក្សចំនួនបី៖ ការអនុវត្តកិច្ចការស្មុគស្មាញ ហេតុផលផ្នែកច្បាប់ឯកទេស និងលំហូរការងារផ្នែកច្បាប់ក្នុងពិភពពិត។ លទ្ធផលចំណងជើងគឺនៅលើ Harvey's LAB ដែលជាស្តង់ដារដែលបង្កើតឡើងដោយក្រុមហ៊ុន AI ស្របច្បាប់ Harvey ដែលតម្រូវឱ្យម៉ូដែលធ្វើការជាមួយឯកសារប្រភព និងធ្វើតាមការណែនាំលម្អិតដើម្បីផលិតផលិតផលការងារស្របច្បាប់។
លទ្ធផលបីដែលលេចចេញពីការប្រកាស៖
Harvey LAB — 19.2% all-pass. នៅទូទាំងលំហូរការងាររបស់ក្រុមហ៊ុនច្បាប់ពិភពពិតដែលលាតសន្ធឹងលើ 24 ផ្នែកអនុវត្ត GLM-Legal ទទួលបានពិន្ទុ 19.2% ក្រោមការចាត់ថ្នាក់យ៉ាងតឹងរ៉ឹងរបស់ Harvey ដែលជាការកែលម្អ 12.5 ភាគរយលើគំរូមូលដ្ឋានរបស់វា។ របបចំណាត់ថ្នាក់គឺគ្មានចេតនាទេ៖ ការដាក់ស្នើត្រូវតែបំពេញរាល់តម្រូវការក្នុងការរាប់ ដូច្នេះឥណទានមួយផ្នែកមិនមានទេ។ Z.ai និយាយថា ពិន្ទុនេះបញ្ជាក់ពីការប្រតិបត្តិពីចុងដល់ចុងដែលគួរឱ្យទុកចិត្តដោយគ្មានការរិចរិលកម្រិតមធ្យម។ LegalBench — ភាពស្មើគ្នាជាមួយនឹងគំរូព្រំដែនបិទជិត។ នៅលើ LegalBench ដែលសាកល្បងហេតុផលពិសេសលើកិច្ចសន្យា ការដាក់បញ្ចូលគ្នា និងមតិរបស់តុលាការ Z.ai រាយការណ៍ថា GLM-Legal ត្រូវគ្នានឹងគំរូព្រំដែនប្រភពបិទកំពូល ទោះបីជាដំណើរការលើអ្វីដែលក្រុមហ៊ុនពិពណ៌នាថាជាប៉ារ៉ាម៉ែត្រដែលមិនសូវសំខាន់ក៏ដោយ។ PLawBench — ភាពរឹងមាំនៅក្នុងការអនុវត្តរបស់ចិន។ នៅលើ PLawBench ដែលវាយតម្លៃការពិគ្រោះយោបល់ផ្នែកច្បាប់របស់ចិន ការវិភាគករណី និងការរៀបចំឯកសារក្រោមការវាយតម្លៃល្អិតល្អន់ Z.ai អះអាងថាស្មើភាពជាមួយប្រព័ន្ធព្រំដែនឈានមុខគេ។តួលេខ 19.2% សមនឹងទទួលបានការអានលើកទីពីរ។ ក្នុងពេលដំណាលគ្នាវាគឺជាកំណត់ត្រានៃវឌ្ឍនភាព - ការលោត 12.5 ពិន្ទុលើគំរូមូលដ្ឋាន - និងការរំលឹកពីរបៀបដែលទាមទារការវាយតម្លៃផ្នែកច្បាប់ភ្នាក់ងារនៅតែមាន។ នៅក្រោមចំណាត់ថ្នាក់លេខសំងាត់ទាំងអស់ លេខនេះបញ្ជាក់ថា លំហូរការងារពេញលេញភាគច្រើននៅតែបរាជ័យលើតម្រូវការយ៉ាងហោចណាស់មួយ។ អ្នកទិញស្របច្បាប់ដែលវាយតម្លៃប្រព័ន្ធ AI គួរតែអានតារាងពិន្ទុរបស់អ្នកលក់ដោយគិតយ៉ាងច្បាស់លាស់។
របៀបដែល GLM-Legal ត្រូវបានបណ្តុះបណ្តាល
Z.ai បានសាងសង់គំរូនៅលើ GLM-5.3-Flash ដែលជាគំរូគ្រឹះទម្ងន់ស្រាលដែលក្រុមហ៊ុនបានចេញផ្សាយកាលពីដើមឆ្នាំនេះ និងបានស្រទាប់សមត្ថភាពដែននៅលើកំពូលតាមរយៈបំពង់ពីរដំណាក់កាលដែលវាពិពណ៌នាថាផ្តោតលើប្រសិទ្ធភាពមិនធម្មតា។
វគ្គបណ្ដុះបណ្ដាលផ្នែកច្បាប់
ដំណាក់កាលទី 1 ពង្រីកសាជីវកម្មច្បាប់ដែលមានគុណភាពខ្ពស់ក្នុងអំឡុងពេលពាក់កណ្តាលវគ្គបណ្តុះបណ្តាល ដែលអនុញ្ញាតឱ្យគំរូរៀនពីគំនិតច្បាប់ ច្បាប់ច្បាប់ និងក្របខ័ណ្ឌការបកស្រាយនៅក្នុងបរិបទដែនក្រាស់។ Z.ai និយាយថា ដំណាក់កាលនេះពង្រឹងខ្សែសង្វាក់កាត់ផ្តាច់រវាងការពិត ច្បាប់ និងការសន្និដ្ឋាន — ស្រទាប់ខាងក្រោមដែលគំរូត្រូវការ មុនពេលដែលវាអាចអនុវត្តការងារក្រោមស្មុគ្រស្មាញ។
ក្រោយការហ្វឹកហាត់ជាមួយ harness នៅក្នុងរង្វិលជុំ
ដំណាក់កាលទី 2 ប្រើប្រាស់ការរៀនពង្រឹងនៅទូទាំងបរិយាកាសច្បាប់ជាក់ស្តែងរាប់ម៉ឺន។ គួរកត់សម្គាល់ថា Z.ai មិនបានបង្ហាត់គំរូក្នុងភាពឯកោទេ៖ ខ្សែភ្នាក់ងារ — ក្របខណ្ឌការតម្រៀបពេលដំណើរការដែលគ្រប់គ្រងបរិបទការងារ ភ្ជាប់ឧបករណ៍ និងមតិកែលម្អផ្លូវប្រតិបត្តិ — ត្រូវបានធ្វើឱ្យប្រសើរជាមួយគំរូនៅក្នុង lockstep ។ ករណី Edge លេចឡើងក្នុងអំឡុងពេលការបណ្តុះបណ្តាលគំរូបង្ហាញពីបញ្ហាស្ទះនៅក្នុងស្ថាបត្យកម្មខ្សែ ខណៈពេលដែលការកែលម្អខ្សែត្រូវបានបញ្ចូលទៅក្នុងវគ្គបណ្តុះបណ្តាល បង្រៀនគំរូដើម្បីទាញយកបរិបទដែលពាក់ព័ន្ធ និងសម្របខ្លួនទៅនឹងឧបសគ្គនៃការប្រតិបត្តិជាក់ស្តែង។
រង្វិលជុំមតិស្ថាបនា
ជាចុងក្រោយ Z.ai និយាយថា លំហូរការងារក្នុងពិភពពិត និងមតិអ្នកអនុវត្តបានកំណត់ផែនទីផ្លូវធ្វើឱ្យប្រសើររបស់វា។ អ្នកជំនាញផ្នែកច្បាប់វាយតម្លៃលទ្ធផលធៀបនឹងលក្ខណៈវិនិច្ឆ័យជាក់ស្តែង៖ ថាតើបញ្ហាសំខាន់ៗ និងករណីសំខាន់ៗទាំងអស់ត្រូវបានដោះស្រាយ ថាតើអាគុយម៉ង់ត្រូវបានបញ្ជាក់ និងសំអាងថា តើការប្រគល់ជូនបានប្រកាន់ខ្ជាប់នូវបញ្ហាសង្ខេប និងថាតើក្រុមនៅខាងក្រោមអាចប្រើប្រាស់លទ្ធផលដោយមិនចាំបាច់ធ្វើការឡើងវិញដោយដៃ។ ការវិនិច្ឆ័យទាំងនោះត្រូវបានបំប្លែងទៅជាសញ្ញាវិស្វកម្មបេតុងដែលដឹកនាំការបណ្តុះបណ្តាលបន្ថែមទៀត។
តើវាមានន័យយ៉ាងណាសម្រាប់ឧស្សាហកម្មស្របច្បាប់
ម៉ូដែលពិសេសរបស់ដែនកំពុងក្លាយជាប្រភេទធ្ងន់ធ្ងរ។ ជាជាងការភ្នាល់ថាគំរូទូទៅមួយនឹងពូកែគ្រប់ទីកន្លែង Z.ai កំពុងភ្នាល់ថា ភារកិច្ចវិជ្ជាជីវៈដែលមានវិសាលភាពតឹងតែងផ្តល់រង្វាន់ដល់ការកែលម្អដែលជំរុញដោយពាក់កណ្តាលវគ្គបណ្តុះបណ្តាល និងការវាយតម្លៃ - វិធីសាស្រ្តដែលធ្វើពាណិជ្ជកម្មជាទូទៅសម្រាប់ភាពជឿជាក់លើបន្ទុកការងារដែលមានតម្លៃខ្ពស់។
ក៏មានអេកូប្រកួតប្រជែងគួរឱ្យកត់សម្គាល់នៅទីនេះផងដែរ។ ម៉ូដែល Muse Wonder ថ្មីរបស់ Meta ដែលត្រូវបានប្រកាសនៅថ្ងៃដដែលនោះ ក៏ត្រូវបានគេវាយតម្លៃនៅលើ LAB របស់ Harvey ដែលជាសញ្ញាមួយបង្ហាញថា ស្តង់ដារច្បាប់ដែលបង្កើតឡើងដោយក្រុមហ៊ុនឈានមុខគេមួយរបស់ AI ស្របច្បាប់បានក្លាយជា yardstick ឆ្លងកាត់ឧស្សាហកម្មសម្រាប់សមត្ថភាពភ្នាក់ងារ។ នៅពេលដែលមន្ទីរពិសោធន៍ដែលប្រឈមមុខនឹងអ្នកប្រើប្រាស់ និងការចាប់ផ្ដើមអាជីវកម្មពិសេសត្រូវបានចាត់ថ្នាក់លើការធ្វើតេស្តដូចគ្នា អ្នកទិញទទួលបានចំណុចប្រៀបធៀបពីផ្លែប៉ោមមួយផ្លែដ៏កម្រមួយ។
ការព្រមានគួរចងចាំ
លទ្ធផលត្រូវបានរាយការណ៍ដោយខ្លួនឯងដោយ Z.ai ហើយការចម្លងឯករាជ្យនៃស្តង់ដារច្បាប់ភ្នាក់ងារនៅតែកម្រ។ ក្រុមហ៊ុនមិនបានបញ្ជាក់ថាតើ ឬរបៀបដែល GLM-Legal នឹងមានយ៉ាងទូលំទូលាយ ម៉ូដែលនេះនឹងត្រូវចំណាយ ឬរបៀបដែលវាគ្រប់គ្រងការសម្ងាត់របស់អតិថិជន — សំណួរដែលក្រុមហ៊ុនច្បាប់ ឬផ្នែកច្បាប់នឹងសួរមុនពេលអនុម័ត។ ហើយដូចទៅនឹងការវាយតម្លៃរបស់អ្នកលក់ទាំងអស់ដែរ ការសម្តែងនៅលើ LAB របស់ Harvey វាស់វែងការអនុវត្តនៅលើ LAB របស់ Harvey ។ វាមិនធានានូវសមត្ថភាពលើបញ្ហារបស់ក្រុមហ៊ុនជាក់លាក់ យុត្តាធិការ ឬទម្រង់ឯកសារនោះទេ។
ទោះបីជាយ៉ាងណា គន្លងគឺពិបាកនឹងមិនអើពើ។ គំរូគ្មានខ្លាញ់ដែលបានបង្កើតឡើងនៅលើមូលដ្ឋាន Flash-class ដែលផ្គូផ្គងប្រព័ន្ធព្រំដែនបិទជិតលើហេតុផលផ្លូវច្បាប់បង្ហាញថាយុគសម័យនៃ AI វិជ្ជាជីវៈជាក់លាក់នៃដែនកំពុងមកដល់លឿនជាងការរំពឹងទុកជាច្រើន។
