Z.ai lancerer GLM-Legal, en agentisk model til juridiske arbejdsgange

Z.ai præsenterede GLM-Legal, en agentisk model til det juridiske fagområde baseret på virksomhedens GLM-5.3-Flash-grundmodel, i en meddelelse den 12. oktober 2026 og oplyste, at modellen opnåede en beståelsesprocent på 19,2 % på Harvey LAB-benchmarket for advokatfirmaers arbejdsgange i den virkelige verden.

Virksomheden beskriver juridisk arbejde som en ideel stresstest af modellers evne til at fungere i professionelle miljøer med meget høje krav. Ifølge Z.ai kræver juridisk praksis en ubrudt kæde mellem fakta, lovbestemmelser, analytisk ræsonnement og færdige produkter til klienter: Når en agent får en professionel opgave, skal den udlede de centrale problemstillinger af kildedokumenter, opbygge holdbare argumenter og formatere sine resultater præcist efter opgavens specifikationer. Virksomheden skriver, at den sande målestok for domænespecifikke modeller er, om de kan opfylde alle disse krav på én gang.

Resultater på benchmarks

Z.ai oplyser, at virksomheden evaluerede GLM-Legal på tre områder: udførelse af komplekse opgaver, specialiseret juridisk ræsonnement og juridiske arbejdsgange i den virkelige verden.

På Harvey LAB, der bedømmer advokatfirmaers arbejdsgange i den virkelige verden på tværs af 24 juridiske praksisområder, opnåede GLM-Legal en beståelsesprocent på 19,2 %, hvilket ifølge virksomheden er en forbedring på 12,5 procentpoint i forhold til grundmodellen. Z.ai siger, at resultatet under Harveys strenge bedømmelse, hvor alle kriterier skal bestås, bekræfter, at modellen pålideligt kan udføre opgaver fra start til slut uden forringelse undervejs.

På LegalBench analyserer modellen ifølge virksomheden specialiserede kontrakter, fusionsanmeldelser og retsafgørelser med samme præcision som de bedste lukkede frontmodeller, selv om den arbejder med et betydeligt mindre antal parametre. Z.ai oplyser også, at modellen er på niveau med førende frontmodeller på PLawBench, der evaluerer juridisk rådgivning, sagsanalyse og dokumentudarbejdelse på kinesisk efter detaljerede bedømmelseskriterier.

Træningsmetode

GLM-Legal bygger på det, Z.ai beskriver som den letvægtsbaserede GLM-5.3-Flash-grundmodel, og udbygger sin domænekompetence gennem specialiseret mellemfase-træning kombineret med effektiv eftertræning.

I mellemfase-træningen øgede Z.ai mængden af juridiske korpora af høj kvalitet, så modellen kan lære juridiske begreber, lovregler og fortolkningsrammer i en tæt faglig kontekst. Ifølge virksomheden styrker denne fase de deduktive forbindelser mellem fakta, regler og konklusioner og tilvejebringer det vidensgrundlag, der er nødvendigt for at udføre komplekse efterfølgende opgaver.

Eftertræningen omsætter denne domæneviden til udførelse af opgaver gennem forstærkningslæring i titusindvis af realistiske juridiske miljøer. Her lærer modellen at planlægge analyser, føre arbejdsgange videre og udarbejde leverancer under konkrete begrænsninger. Z.ai beskriver Harness som rammeværket til orkestrering under kørsel i dette setup: Det håndterer opgavekonteksten, forbinder værktøjssæt og formidler feedback om udførelsen. Ifølge virksomheden udvikles Harness-arkitekturen og modeltræningen parallelt, og læringen går begge veje: Grænsetilfælde, der dukker op under modeltræningen, afslører arkitektoniske flaskehalse i Harness, mens forbedringer af Harness udsætter modellen for realistiske begrænsninger i udførelsen, fra indlæsning af prompten til endelig godkendelse.

En tredje fase omsætter feedback fra produktion til træningssignaler. Z.ai siger, at juridiske fagfolk vurderer output ud fra konkrete kriterier: om alle kritiske problemstillinger og grænsetilfælde er behandlet, om argumenterne er godt underbygget og henvisningerne juridisk holdbare, om leverancen nøje følger sagsoplægget, og om de efterfølgende teams kan bruge outputtet med det samme uden manuelt efterarbejde. Disse krav omsætter subjektiv kvalitet til konkrete tekniske tabsignaler, som virksomheden fører tilbage til opgavemiljøer, evalueringskriterier og udformningen af Harness i efterfølgende træningscyklusser. Forbedringerne valideres mod produktionsbenchmarks.

Tre juridiske opgaver i AutoClaw

Z.ai oplyser, at brugere snart vil kunne benytte GLM-Legals funktioner i AutoClaw, virksomhedens agentplatform til computerens skrivebord, og har offentliggjort tre eksempelopgaver for at illustrere integrationen. Hvert eksempel vises sammen med output fra grundmodellen GLM-5.3-Flash til sammenligning.

I et eksempel på kontraktgennemgang blev modellen bedt om at gennemgå en kontrakt om softwaretjenester for en klient, der skifter leverandør, med fokus på opsigelse og overdragelse. Eksempeloutputtet foreslog at forkorte klientens opsigelsesvarsel ved opsigelse uden begrundelse fra 60 til 30 dage, fjerne afhjælpningsfristen ved brud på forpligtelser vedrørende immaterielle rettigheder, fortrolighed eller datasikkerhed, så klienten kunne opsige aftalen med øjeblikkelig virkning, kræve tilbagelevering af alle leverancer og alt igangværende arbejde, uanset om det var betalt, og tilføje op til 90 dages bistand ved overgangen, der skulle omfatte kildekode, dokumentation, data og videnoverførsel. AutoClaw indsætter derefter ændringerne i Word-dokumentet som registrerede ændringer og kommentarer.

I et eksempel på bevisanalyse, der omfattede 40 dokumenter fra en tvist om et softwareprojekt, læste modeloutputtet en klientrapport dateret 30. september, hvor der stod, at projektet var på rette spor og 60 % færdigt, op imod en intern advarsel fra 8. september om, at milepælen ikke ærligt kunne nås, og et internt øjebliksbillede, der viste, at projektet var cirka 41 % færdigt. Outputtet kædede disse dokumenter sammen med en instruktion fra den administrerende direktør om at skjule risikoen og fortsætte faktureringen og henviste til afsnit 2 og 5 i hovedaftalen om tjenesteydelser, som fastslår, at betaling ikke indebærer afkald på rettigheder, og at garantier fortsat gælder efter betaling, til støtte for en teori om fortielse, samtidig med at det bemærkede, at de resterende elementer i kravet burde undersøges, før der drages en endelig konklusion.

I et eksempel på compliance-research blev modellen bedt om at planlægge overholdelse af regler om beskyttelse af personoplysninger for et website, der skulle lanceres i Singapore, Malaysia og Indonesien med sporing, e-mailmarkedsføring og cloudlagring i udlandet. Modeloutputtet udarbejdede en prioriteret liste over tiltag inden lanceringen: offentliggør privatlivsmeddelelser på engelsk og indonesisk, indhent aktivt samtykke til analyse- og reklametjenester, der ikke er nødvendige, og opbevar samtykkeregistre, send afmeldingsanmodninger til en spærringsliste, kortlæg cloud-, betalings-, e-mail-, analyse- og indholdsleverandører samt destinationerne for deres data, og bekræft de kontrakter og overførselssikkerhedsforanstaltninger, der kræves på hvert marked, med henvisninger til lovgivningen om beskyttelse af personoplysninger i Singapore og Malaysia samt Indonesiens lov om beskyttelse af personoplysninger.

Adgang til betaversionen

Z.ai inviterer advokatfirmaer, juridiske teknologivirksomheder, interne juridiske afdelinger og selvstændige jurister til at deltage i GLM-Legal-betaen. API-adgang formidles via en ansøgning om en konsultation.

AutoClaw er i sig selv et desktopprogram, der installeres lokalt. Ifølge AutoClaws produktside understøtter det Windows 10 og nyere, macOS på maskiner med Apple Silicon- og Intel-processorer, iOS og Android, og der tilbydes også Linux-versioner. Appen indeholder mere end 50 indbyggede færdigheder, understøtter skift mellem GLM- og DeepSeek-modeller og kan forbindes med WhatsApp, Telegram, Discord, Lark og andre beskedplatforme, så brugerne kan tildele opgaver og modtage resultater i chattråde.