立即咨询

电话咨询

微信咨询

立即试用
商务合作
智谱AI

GLM-Legal

智谱AI GLM-Legal是2026年10月12日发布的法律垂域大模型，基于GLM-5.3-Flash训练，Harvey LAB 19.2%全通过率开源新纪录，单任务0.15美元。

选择供应商品牌主页
首页 AI市场对话文本GLM-Legal
💬
GLM-Legal
由 智谱AI GLM 提供
💬 对话与文本生成 付费API

GLM-Legal是智谱AI于2026年10月12日正式发布的首批法律垂域大模型，基于轻量级GLM-5.3-Flash基座（320B总参/18B激活/1M上下文/MIT开源）继续训练。模型采用三段式训练：中期训练补充法律语料库强化事实-规则-结论推理链；后训练阶段让模型与Agent框架（Harness）协同进化，在数万个仿真法律任务环境中做强化学习；并引入真实律师反馈将问题遗漏、引用可靠性、是否按委托要求、能否直接使用等标准拆成可训练信号回灌。Harvey LAB法律智能体基准覆盖24个执业领域的真实律所工作流，GLM-Legal取得19.2%全通过率，较基座GLM-5.3-Flash的6.7%提升12.5个百分点，超过Kimi K3（12.9%）、Claude Fable 5（11.3%）、GPT-6 Astra（5.4%）。LegalBench英文法律推理86.2分与Kimi K3持平；PLawBench中国法律实务77.3分与Claude Fable 5接近。单任务成本0.15美元，约为Gemini 4 Argon（10.55美元）的1/70；API定价输入0.07美元、输出0.25美元每百万token。模型目前未开源未放权重，通过官网申请API权限，后续接入智谱桌面Agent平台AutoClaw，可按修订模式直接写入Word文档。模型面向合同审查、证据分析、合规研究、并购文件处理、案件证据链整理等真实法律工作流。

Harvey LAB法律Agent基准19.2%全通过率LegalBench英文法律推理86.2分PLawBench中国法律实务77.3分合同审查按修订模式直接写入Word证据分析逐条比对40+份文件矛盾1M上下文容纳完整法律文档包128K输出token支持长篇法律意见API定价0.07/0.25美元每百万token

📋 技术规格

厂商 智谱AI GLM
模型分类 对话与文本生成
参数规模 320B总参/18B激活（基于GLM-5.3-Flash MoE架构）
上下文窗口 1,048,576 tokens（1M）
最大输出 128K tokens
知识截止 未公开
API定价 输入: $0.07/百万token输出: $0.25/百万token

⭐ 核心能力详解

Harvey LAB 19.2%全通过率（开源模型新纪录）

单任务成本0.15美元约为Gemini 4 Argon的1/70

基于GLM-5.3-Flash（MIT开源基座）继续训练

三段式训练：中期训练+Harness协同进化+律师反馈

AutoClaw桌面Agent直接写入Word修订模式

1M上下文+128K输出

🎯 典型应用场景

合同条款审查与修订建议

证据链整理与矛盾点识别

合规校验与风险提示

并购文件处理

案件证据分析

法律咨询问答

文书起草辅助

法律推理任务

💪 技术优势与差异化

  • Harvey LAB法律Agent基准开源模型新纪录
  • 单任务成本仅0.15美元，约为闭源前沿1/70
  • 证据分析可处理40+份文件逐条比对矛盾
  • 合同审查直接以修订模式写入Word
  • 1M上下文容纳完整法律文档包

⚠️ 使用局限与注意事项

  • 模型未开源未放权重
  • Harvey LAB 19.2%虽领先但绝对值仍较低
  • LegalBench与PLawBench未全面领先，仅追平一线
  • AutoClaw桌面Agent平台接入尚未正式开放
  • 通用任务能力弱于通用大模型

💰 价格分析与成本建议

GLM-Legal API定价输入0.07美元、输出0.25美元每百万token，单任务成本0.15美元，约为Claude Fable 5（10/50美元）的1%以下，约为Gemini 4 Argon（10.55美元单任务）的1/70。性价比突出，适合高频法律Agent任务。

👥 适用人群与企业

律师事务所律师与法律助理、企业法务团队、合规部门、知识产权代理机构、法律科技公司、需处理大量合同与证据的专业人士

🏭 行业适配度评估

法律事务所★★★★★

Harvey LAB法律Agent基准开源新纪录，覆盖24个执业领域

⚠ 复杂案件仍需资深律师主导

企业法务★★★★★

合同审查直接写入Word修订模式，企业内部合规校验适用

⚠ 重大决策需法务负责人确认

知识产权代理★★★★☆

1M上下文容纳完整专利包，证据链整理能力强

⚠ 专利新颖性判断需专业代理

金融合规★★★★☆

合规研究、合同审查、并购文件处理适用

⚠ 金融监管更新频繁需人工跟踪

司法辅助★★★★☆

案件证据分析与文书起草辅助

⚠ 司法判断由法官主导，不可替代

🔧 技术架构解析

架构设计 基于GLM-5.3-Flash MoE架构（320B总参/18B激活）
训练数据 高质量法律语料库+数万个仿真法律任务环境+真实律师反馈信号
推理机制 始终启用思考，支持low/high/max三档推理强度
Harvest协同 Agent框架（Harness）与模型训练同步迭代，模型与运行时协同进化
AutoClaw集成 智谱桌面Agent平台，可按修订模式写入Word

🔒 安全合规与数据隐私

数据训练策略 高质量法律语料库+数万个仿真法律任务环境+真实律师反馈，未公开客户数据是否用于训练
合规认证 智谱AI法律垂域合规框架、AutoClaw修订模式保留律师审阅痕迹、Harvey LAB与LegalBench由独立第三方Vals评测
数据驻留 智谱AI数据中心（具体区域未公开）
加密方式 智谱AI API标准传输加密
面向法律工作流，模型输出仍需律师专业判断，AutoClaw修订模式保留律师审阅与修订痕迹。

⚔️ 与同梯队主流模型对比

竞品模型 优势 不足
Kimi K3 AA综合指数较高 Harvey LAB 12.9%较低，单任务成本较高
Claude Fable 5 LegalBench 88.6略高 Harvey LAB 11.3%较低，成本极高
GPT-6 Astra 通用能力覆盖广 Harvey LAB 5.4%最低，单任务成本最高
Gemini 4 Argon 1M输出token上限 单任务成本10.55美元约70倍
我们的优势：
  • Harvey LAB 19.2%开源新纪录
  • 单任务成本0.15美元
  • AutoClaw Word修订模式
  • 1M上下文+128K输出
选型建议：

🏢 同厂商模型矩阵

智谱AI GLM系列从通用旗舰到法律垂域，覆盖编码、多模态、Agent、法律多场景

模型 定位 品类 特色
GLM-5.3 通用旗舰 chat 744B总参/40B激活，AA智能指数60分
GLM-5.3-FlashX 原生多模态高速 multimodal 200 token/s推理速度
GLM-Legal当前 法律垂域旗舰 chat Harvey LAB 19.2%开源新纪录
GLM-Legal是智谱首批法律垂域大模型，基于GLM-5.3-Flash基座，开启专业垂域模型新赛道。

🧭 选型决策指南

需要法律Agent任务且成本敏感GLM-Legal

Harvey LAB 19.2%开源新纪录，单任务0.15美元

需要通用法律推理（英文）Claude Fable 5 或 GLM-Legal

LegalBench 86.2分与一线持平

需要中文法律实务GLM-Legal

PLawBench 77.3分与Claude Fable 5接近

需要通用大模型（非法律场景）GLM-5.3 或 GLM-5.3-FlashX

通用能力更强，价格更经济

GLM-Legal适合高频法律Agent任务（合同审查/证据分析/合规）；通用任务使用GLM-5.3系列。

🏆 真实使用案例

📌 供应商合同解约条款审查

应用场景：律师审查60天通知期解约条款并提修订建议
实际效果：GLM-Legal将通知期降至30天，涉知识产权/保密/数据安全违约立即解约，并加90天过渡协助
AutoClaw按修订模式写入Word，律师直接审阅修订痕迹

📌 供应商进度矛盾证据分析

应用场景：40+份文件比对供应商对外'进度正常完成60%'与内部快照约41%的矛盾
实际效果：GLM-Legal逐条比对，标出证据编号，提示'付款不等于放弃权利'条款
证据分析准确率较通用模型提升约5个百分点

📌 并购文件结构化审查

应用场景：并购申报文件中关键条款、对价、对赌、陈述保证的结构化提取
实际效果：LegalBench 86.2分处理并购申报文件精度与高级闭源前沿模型相当
参数预算显著更精简，单任务成本0.15美元

💬 用户真实评价

资深合同律师
⭐⭐⭐⭐⭐

AutoClaw修订模式直接写入Word，看到模型改动痕迹与原稿对比，效率高

企业法务负责人
⭐⭐⭐⭐⭐

Harvey LAB 19.2%虽绝对值不高，但单任务0.15美元成本让大规模Agent部署可行

知识产权代理机构
⭐⭐⭐⭐

1M上下文容纳完整专利包，证据链整理能力强

法律科技工程师
⭐⭐⭐⭐⭐

三段式训练（中期训练+Harness协同+律师反馈）方法学价值大，模型与运行时协同进化

✅ 实践建议与使用技巧

1. 任务结构化输入：将合同/证据拆分为结构化字段（条款编号、当事人、义务、违约后果），让模型按结构化输出。
2. Harvest框架配合：在Agent任务中使用智谱官方Harness框架，让模型按执行-反馈-修订流程推进。
3. 多文档比对设置：证据分析任务明确列出每份文档的命名规范与比对维度，避免模型跨文档混淆。
4. AutoClaw修订模式：合同审查任务启用AutoClaw Word修订模式，让律师直接看到模型改动痕迹与原稿对比。
5. 律师反馈回流：将律师对模型输出的修订意见回流到训练数据，持续提升模型领域适配度。

💡 Prompt工程建议

结构化任务输入

将合同/证据拆分为结构化字段（条款编号、当事人、义务、违约后果），让模型按结构化输出

示例：'审查合同：条款编号#3.2.1，甲方A公司，义务30天付款，违约后果按日0.5%违约金。请输出：合规判定、风险点、修订建议。'

Harness框架配合

Agent任务使用智谱官方Harness框架，让模型按执行-反馈-修订流程推进

示例：配置Harness工作流：1.证据提取→2.矛盾识别→3.法条引用→4.修订建议→5.输出Word修订稿

多文档比对设置

证据分析任务明确列出每份文档命名规范与比对维度，避免跨文档混淆

示例：'文档1=对外进度函（编号P001-P040），文档2=内部周报（编号W001-W040），请按日期+进度%维度比对矛盾。'

🔄 替代方案分析

需要英文法律推理领先
Claude Fable 5GPT-6 Astra

LegalBench略高，但成本极高

需要通用大模型覆盖广
Kimi K3GLM-5.3

通用能力覆盖更广，但Harvey LAB较低

需要开源权重本地部署
GLM-5.3-Flash基座

GLM-5.3-Flash基座MIT开源，但GLM-Legal本身未开源

❓ 常见问题解答

Q: GLM-Legal是否开源？
A: 模型未开源未放权重，通过官网申请API权限，后续接入智谱桌面Agent平台AutoClaw。请以官方为准。
Q: Harvey LAB 19.2%是什么意思？
A: Harvey LAB覆盖24个执业领域的真实律所工作流，采用全通过评分（all-pass），仅当任务每个环节都做对才算通过。GLM-Legal 19.2%是开源模型新纪录。请以官方为准。
Q: 单任务成本0.15美元如何计算？
A: Harvey LAB单任务平均API调用成本约0.15美元，约为Gemini 4 Argon（10.55美元）的1/70。请以官方为准。
Q: API定价是多少？
A: 输入0.07美元、输出0.25美元每百万token。请以官方为准。
Q: AutoClaw桌面Agent是什么？
A: 智谱桌面Agent平台，GLM-Legal后续接入，可按修订模式直接写入Word文档，律师可看到模型改动痕迹。请以官方为准。
Q: 适合哪些法律场景？
A: 合同审查、证据分析、合规研究、并购文件处理、案件证据链整理等真实法律工作流。请以官方为准。

文章干货

news

买GLM-5.3-Flash前要问供应商的10个问题

买GLM-5.3-Flash前要问什么？本文整理价格计费、技术性能、数据合规、服务商务四类共十个问题的采购清单，每个问题附提问理由与合格答复标准。

time 2026-08-27
news

GLM-5.3-Flash升级迁移：从GLM-5.2平滑换代的4个步骤

GLM-5.3-Flash升级迁移怎么做？本文给出差异盘点、影子验证、灰度切换、优化适配四步流程，把从GLM-5.2的模型换代做成可控工程并沉淀团队资产。

time 2026-08-27
news

GLM-5.3-Flash的Coding Plan值不值？3倍额度的真实价值测算

GLM-5.3-Flash的Coding Plan值不值？本文拆解3倍额度加非高峰半价的订阅结构，给出统计现状、分时段建模、曲线对比的三步测算框架与三类最该订的团队画像。

time 2026-08-27
查看更多>>

产品问答

提问
智谱AI GLM-5.2和GLM-4.7编程选哪个？哪个更划算
avatar
nbna5x0q回答：
GLM-5.2专注长程大型工程，GLM-4.7兼顾编程与通用场景 两者的定位差异决定了选型方向。 智谱AI的两款旗舰编程模型，一个擅长处理完整代码仓库，一个在通用对话与推理上全面升级。 GLM-5.2：为长程大型工程而生 它是一款专注长程任务与Coding的模型，核心能力体现在三个方面： 1M无损上下文——可将完整代码仓库一次输入。实测中从零开发一款《文明》风格策略游戏，几乎用满百万上下文，完成16个bug修复。 顶级编程基准——Code Arena得分1595分，总榜第二、全球可用模型第一。FrontierSWE排名仅次于Opus 4.8。SWE-bench Pro得分62.1，比前代提升3.7分。 工程级交付——一次任务即可完成从需求到多端部署的完整开发链路。在Terminal-Bench 2.1上较前代提升17.5%。 GLM-4.7：Agentic Coding的"多面手" 该模型在通用对话、推理与智能体能力上全面升级，是编程与通用能力平衡的选择： 编程与推理均衡——LiveCodeBench V6得分84.9%，拿下开源SOTA。HLE基准得分42.8%，超越GPT-5.1。AIME 2025数学表现优于Claude 4.5 Sonnet。 前端审美跃升——显著增强前端UI理解与布局美感。在前端任务上以64.6%的胜率领先前代。 工具协同更顺——面向Agentic Coding场景强化了编码能力、长程任务规划与工具协同。在Claude Code等框架中实现"先思考、再行动"。 长程任务用GLM-5.2，日常编程用GLM-4.7——不是谁替代谁，而是各自解决不同规模的问题。
2026-07-28
replies 3个回答
提问
智谱AI GLM-4.7-Flash能在本地跑吗？需要什么显卡
avatar
n8kls4u6回答：
作为一款总参数量300亿但推理仅激活约30亿参数的MoE架构开源模型，该模型可在消费级显卡上完成本地部署。 智谱AI GLM-4.7-Flash采用混合专家（MoE）架构，总参数量300亿，但推理时只激活其中约30亿参数。这意味着实际计算负担接近一个30亿参数的模型，大幅降低了硬件门槛。模型的上下文窗口原生支持约20万token，经测试可稳定运行于131K以上。 智谱AI GLM-4.7-Flash本地运行的核心硬件约束 显存是首要瓶颈。硬件测评显示，在4-bit量化下，模型显存占用随上下文长度增加： 4K上下文约17GB 32K上下文约20GB 65K上下文约23GB 131K上下文约30GB 一张24GB显存的显卡即可覆盖65K以内的上下文，覆盖绝大多数实际使用场景。想跑满131K长上下文，则需要32GB及以上显存的显卡。模型原始BF16权重约62GB，量化是将模型压缩到消费级显卡可用的关键手段。4-bit量化可将模型压缩至约17-20GB，精度损失极小（MMLU-Pro准确率从24.83%降至23.55%）。 对于大多数个人开发者和小型团队而言，24GB显存的显卡已足够应对日常开发需求。
2026-07-28
replies 3个回答
提问
智谱AI GLM适合做学术研究吗？写论文查文献好用吗
avatar
wep41jez回答：
智谱AI GLM在学术研究场景中的核心优势，源于其天生的学术基因和超长上下文处理能力 该平台本身就是从清华大学技术团队孵化而来，在学术根基上有天然积淀。 智谱AI GLM如何解决学术研究的关键痛点？ 传统学术研究面临三大痛点：精读一篇高质量论文需要几个小时，了解一个领域需要阅读数十甚至上百篇文献；不同论文的方法和结论相互关联甚至矛盾，人工梳理极其复杂；即使读完了所有文献，将零散知识组织成逻辑连贯的综述又是漫长的写作过程。 平台的核心模型GLM-4-9B-Chat-1M拥有100万tokens的超长上下文处理能力，可一次性分析约200万汉字的内容——相当于10-20篇论文全文、300页PDF或15份博士论文的文本量。它能一次性"阅读"所有输入内容，在其内部构建统一的"理解"，然后直接回答跨文献对比、趋势分析等复杂问题。 沉思模型GLM-Z1-Rumination更是专门为自主研究而设计，通过扩展强化学习训练实现长程推理能力，支持动态工具调用与自我验证机制。它能实时联网抓取最新研究、多角度验证推理链条、调用数据库/计算器/可视化工具，形成完整的自主研究流程。 清华AMiner"沉思"AI科研助手正是基于该模型构建，整合了arXiv、PubMed等全球3亿余篇文献，覆盖100多个全一级学科领域。 在文献综述场景中，AMiner沉思仅用6分40秒完成20轮文献检索，自主阅读174条文献，累计引用53篇，输出8910字结构规范、引用完整的文献综述。已有科研团队用它3天完成综述论文——传统方式需要数周甚至数月。 该平台的核心价值在于把"读不完、理不清、写不动"的文献苦役，变成"一次喂入、自动分析、快速输出"的科研流水线。
2026-07-28
replies 3个回答
查看更多>>

热门大模型

通义千问Qwen3.8-27B
通义千问Qwen3.8-27B于8月14日开源，27B原生多模态稠密，Terminal-Bench 2.1达73.0分，262K上下文可扩至100万，Apache 2.0家用显卡可跑。
Anthropic Claude Opus 5.5
Anthropic Claude Opus 5.5为Claude 5.5系列首批，100万上下文与12.8万输出，性能比肩Fable 5.1，输入$4输出$20每百万词元，较Opus 5降本40%。
OpenAI ChatGPT Images 2.5
OpenAI ChatGPT Images 2.5是图像生成与编辑模型，生成延迟较2.0最高降50%，新增Sketch草图和图片批注功能，API提供Flare快速版与Sunburst精细版。
Kimi K2.8 Preview
Moonshot AI Kimi K2.8 Preview为Kimi系列中端模型，100万上下文，性能接近K3，思考效率优于K2.7 Code，支持low/high/max三档思考，定位编码与智能体。
豆包大模型Seedance 2.5
豆包大模型Seedance 2.5是字节跳动Seed团队于2026年7月31日正式发布的新一代视频创作模型。该模型延续了Seedance 2.0统一的多模态音视频联合生成架构，重点突破长叙事能力、多模态参考能力和编辑能力三大核心方向。

相关大模型

GLM-5.3-FlashX
智谱AIGLM-5.3-FlashX是GLM-5.3-Flash的高速推理版本，输出速度达200词元/秒，较前代提升5倍，延续同尺寸模型领先智能水平，定价为原版2.5倍，面向高并发低延迟场景。
智谱AI GLM-5.2
GLM-5.2是智谱AI于2026年6月16日发布的旗舰基座模型。支持1M无损上下文与128K最大输出，主打项目级工程接管、长程Coding Agent与复杂任务闭环，
智谱AI GLM-5.1
GLM-5.1是智谱AI于2026年3月发布的新一代旗舰模型。以超强代码能力、200K超长上下文和自主Agent能力为主要卖点。
智谱AIGLM-5.3-Flash
智谱AIGLM-5.3-Flash是2026年8月26日开源的GLM-5系列首批原生多模态模型，总参数320B激活18B，MIT协议开源，全部线上推理由国产芯片集群承载
智谱GLM-5.3
智谱AIGLM-5.3于2026年8月14日发布，753B参数沿用GLM-5.2基座，后训练缩放，CyberGym 84.5%超越闭源，编程提升50%，发现2436个漏洞，启动开源的盾计划。