Z.ai stellt GLM-Legal vor, ein agentisches Modell für juristische Arbeitsabläufe

Z.ai stellte GLM-Legal vor, ein agentisches Modell für den Rechtsbereich, das auf der Grundlage von GLM-5.3-Flash aufbaut. In einer Ankündigung vom 12. Oktober 2026 gab das Unternehmen für den Harvey-LAB-Benchmark mit realen Arbeitsabläufen in Anwaltskanzleien eine Quote von 19,2 % vollständig bestandener Aufgaben bekannt.

Das Unternehmen sieht juristische Arbeit als idealen Stresstest, um Modelle für den Einsatz in beruflichen Umfeldern mit hohen Anforderungen zu trainieren. Z.ai zufolge erfordert die juristische Praxis eine lückenlose Verbindung zwischen Fakten, gesetzlicher Dogmatik, analytischer Argumentation und einem für den Kunden verwendbaren Arbeitsergebnis: Bei einer konkreten beruflichen Aufgabe muss ein Agent die Kernfragen aus Quelldokumenten herausarbeiten, tragfähige Argumente entwickeln und seine Ergebnisse exakt nach den Aufgabenvorgaben formatieren. Alle diese Anforderungen gleichzeitig zu erfüllen, sei der eigentliche Maßstab für domänenspezifische Modelle, schreibt das Unternehmen.

Benchmark-Ergebnisse

Z.ai zufolge wurde GLM-Legal in drei Bereichen bewertet: bei der Ausführung komplexer Aufgaben, beim spezialisierten juristischen Schlussfolgern und bei realen juristischen Arbeitsabläufen.

Im Harvey LAB, das reale Arbeitsabläufe von Anwaltskanzleien in 24 Rechtsgebieten bewertet, erzielte GLM-Legal eine Quote von 19,2 % vollständig bestandener Aufgaben. Das entspricht laut Unternehmen einer Verbesserung um 12,5 Prozentpunkte gegenüber dem Basismodell. Z.ai zufolge bestätigt dieses Ergebnis angesichts der strengen Bewertung, bei der eine Aufgabe nur als bestanden gilt, wenn alle Anforderungen erfüllt sind, eine zuverlässige Ausführung von Anfang bis Ende ohne Leistungseinbußen in Zwischenschritten.

Laut Unternehmen analysiert das Modell auf LegalBench spezialisierte Verträge, Fusionsunterlagen und Gerichtsurteile mit der Präzision führender proprietärer Spitzenmodelle, obwohl ihm ein deutlich geringeres Parameterbudget zur Verfügung steht. Z.ai berichtet außerdem, dass das Modell auf PLawBench mit führenden Spitzensystemen gleichzieht. Der Benchmark bewertet die Beratung zu chinesischem Recht, die Fallanalyse und das Verfassen von Dokumenten anhand detaillierter Kriterien.

Trainingsmethodik

GLM-Legal basiert auf dem, was Z.ai als leichtgewichtiges GLM-5.3-Flash-Grundmodell bezeichnet. Seine Kompetenz im Rechtsbereich wird durch spezialisiertes Zwischentraining in Verbindung mit hocheffizientem Nachtraining ausgebaut.

In der Phase des Zwischentrainings erweiterte Z.ai den Umfang hochwertiger juristischer Korpora, damit das Modell Rechtsbegriffe, gesetzliche Vorschriften und Auslegungsrahmen in einem dichten fachlichen Kontext erlernt. Nach Angaben des Unternehmens stärkt diese Phase die deduktiven Verknüpfungen zwischen Fakten, Regeln und Schlussfolgerungen und schafft so die Wissensgrundlage, die für die Ausführung komplexer nachgelagerter Aufgaben erforderlich ist.

Im Nachtraining wird dieses Fachwissen durch bestärkendes Lernen in Zehntausenden realistischen juristischen Umgebungen in die Ausführung konkreter Aufgaben überführt. Dabei lernt das Modell, Analysen zu planen, Arbeitsabläufe voranzutreiben und Ergebnisse unter konkreten Vorgaben zu erstellen. Z.ai beschreibt das Harness als Laufzeit-Framework zur Orchestrierung: Es verwaltet den Aufgabenkontext, bindet Werkzeugsätze an und leitet Rückmeldungen zur Ausführung weiter. Die Architektur des Harness und das Modelltraining werden laut Unternehmen eng aufeinander abgestimmt und iterativ weiterentwickelt. Das Lernen verläuft in beide Richtungen: Grenzfälle, die im Modelltraining zutage treten, weisen auf architektonische Engpässe im Harness hin, während Verbesserungen am Harness das Modell mit realistischen Ausführungsbedingungen vertraut machen – von der Verarbeitung der Eingabeaufforderung bis zur endgültigen Freigabe.

In einer dritten Phase werden Rückmeldungen aus dem Produktiveinsatz in Trainingssignale umgewandelt. Laut Z.ai bewerten Juristen die Ergebnisse anhand konkreter Kriterien: Sind alle kritischen Fragen und Grenzfälle berücksichtigt? Sind die Argumente gut belegt und die Zitate rechtlich fundiert? Hält sich das Arbeitsergebnis strikt an die Fallvorgaben? Können nachgelagerte Teams es sofort und ohne manuelle Nacharbeit verwenden? Diese Anforderungen machen aus subjektiven Qualitätsurteilen konkrete technische Loss-Signale. Das Unternehmen speist sie in Aufgabenstellungen, Bewertungsmaßstäbe und das Harness-Design für nachfolgende Trainingszyklen zurück und überprüft Verbesserungen anhand von Benchmarks aus dem Produktiveinsatz.

Drei juristische Aufgaben in AutoClaw

Z.ai zufolge können Nutzer die Fähigkeiten von GLM-Legal schon bald in AutoClaw einsetzen, der nativen Desktop-Agentenplattform des Unternehmens. Zur Veranschaulichung dieser Integration veröffentlichte Z.ai drei Beispielaufgaben. Zu jedem Beispiel werden die Ergebnisse des GLM-5.3-Flash-Basismodells zum Vergleich gezeigt.

In einem Beispiel zur Vertragsprüfung sollte das Modell einen Vertrag über Softwaredienstleistungen für einen Kunden prüfen, der den Anbieter wechseln wollte. Im Mittelpunkt standen die Kündigung und die Übergabe. Die Beispielausgabe schlug vor, die Kündigungsfrist des Kunden für eine Kündigung ohne Angabe von Gründen von 60 auf 30 Tage zu verkürzen, bei Verstößen gegen Verpflichtungen zu geistigem Eigentum, Vertraulichkeit oder Datensicherheit die Nachfrist zur Behebung des Verstoßes zu streichen, damit der Kunde sofort kündigen kann, die Rückgabe sämtlicher Arbeitsergebnisse und laufender Arbeiten zu verlangen, unabhängig davon, ob sie bereits bezahlt wurden, und bis zu 90 Tage Übergangsunterstützung für die Übertragung von Quellcode, Dokumentation, Daten und Wissen hinzuzufügen. AutoClaw fügt diese Änderungen anschließend als nachverfolgte Änderungen und Kommentare in das Word-Dokument ein.

In einem Beispiel zur Beweisanalyse mit 40 Dokumenten aus einem Softwareprojektstreit stellte die Beispielausgabe einem Kundenbericht vom 30. September, dem zufolge das Projekt planmäßig verlief und zu 60 % abgeschlossen war, eine interne Warnung vom 8. September gegenüber, wonach der Meilenstein nicht ehrlich als erreichbar dargestellt werden konnte, sowie einer internen Momentaufnahme, die einen Fertigstellungsgrad von rund 41 % festhielt. Die Ausgabe verknüpfte diese Unterlagen mit einer Anweisung des CEO, das Risiko zu verschweigen und die Rechnungsstellung fortzusetzen, und verwies zur Stützung einer Verschleierungstheorie auf die Abschnitte 2 und 5 des Rahmenvertrags über Dienstleistungen, denen zufolge die Zahlung keinen Rechtsverzicht darstellt und Gewährleistungsansprüche auch nach der Zahlung fortbestehen. Zugleich merkte sie an, dass die übrigen Anspruchsvoraussetzungen vor einer abschließenden Schlussfolgerung geprüft werden sollten.

In einem Beispiel zur Compliance-Recherche sollte das Modell die Datenschutz-Compliance für eine Website planen, die in Singapur, Malaysia und Indonesien mit Tracking, E-Mail-Marketing und Cloud-Speicherung im Ausland an den Start gehen sollte. Die Beispielausgabe erstellte eine priorisierte Liste für die Zeit vor dem Start: Datenschutzhinweise auf Englisch und Indonesisch veröffentlichen, für nicht erforderliche Analyse- und Werbedienste eine Einwilligung per Opt-in einholen und Einwilligungsnachweise aufbewahren, Abmeldeanfragen in eine Sperrliste aufnehmen, Cloud-, Zahlungs-, E-Mail-, Analyse- und Content-Delivery-Anbieter ihren jeweiligen Datenzielen zuordnen sowie die in jedem Markt erforderlichen Verträge und Schutzmaßnahmen für Datenübermittlungen prüfen. Dazu führte sie gesetzliche Verweise auf die Datenschutzgesetze für personenbezogene Daten in Singapur und Malaysia sowie das Datenschutzgesetz für personenbezogene Daten in Indonesien an.

Beta-Zugang

Z.ai lädt Kanzleien, Legal-Tech-Unternehmen, interne Rechtsteams und selbstständige Praktiker dazu ein, an der GLM-Legal-Beta teilzunehmen. Der API-Zugang wird über eine Anfrage für ein Beratungsgespräch vermittelt.

AutoClaw selbst ist eine lokal installierte Desktop-Anwendung. Laut der Produktseite von AutoClaw wird die Anwendung unter Windows 10 und höher, macOS auf Apple-Silicon- und Intel-Rechnern, iOS und Android unterstützt; außerdem werden Linux-Versionen angeboten. Die App umfasst mehr als 50 integrierte Skills, ermöglicht den Wechsel zwischen GLM- und DeepSeek-Modellen und verbindet sich mit WhatsApp, Telegram, Discord, Lark und weiteren Messaging-Plattformen, sodass Nutzer Aufgaben zuweisen und Ergebnisse direkt in Chatverläufen erhalten können.