Z.ai presenta GLM-Legal, un modelo agéntico para flujos de trabajo jurídicos

Z.ai presentó GLM-Legal, un modelo agéntico especializado en el ámbito jurídico y basado en su modelo fundacional GLM-5.3-Flash, en un anuncio del 12 de octubre de 2026, e informó de una tasa de aprobación total del 19,2 % en la prueba Harvey LAB, que evalúa flujos de trabajo reales de bufetes de abogados.

La empresa considera que el trabajo jurídico es una prueba de resistencia ideal para entrenar modelos que operen en entornos profesionales de alto riesgo. Según Z.ai, la práctica jurídica exige una cadena ininterrumpida que conecte los hechos, la doctrina legal, el razonamiento analítico y un producto de trabajo listo para entregar al cliente: ante una tarea profesional, un agente debe extraer las cuestiones fundamentales de los documentos fuente, construir argumentos defendibles y presentar sus conclusiones conforme a las especificaciones exactas de la tarea. La empresa señala que satisfacer simultáneamente todas estas exigencias es el verdadero parámetro de referencia para los modelos especializados en un ámbito.

Resultados de las pruebas de referencia

Z.ai afirma que evaluó GLM-Legal en tres dimensiones: ejecución de tareas complejas, razonamiento jurídico especializado y flujos de trabajo jurídicos del mundo real.

En Harvey LAB, que califica flujos de trabajo reales de bufetes de abogados en 24 áreas de práctica, GLM-Legal alcanzó una tasa de aprobación total del 19,2 %, lo que supone una mejora de 12,5 puntos porcentuales con respecto a su modelo base, según informa la empresa. Z.ai afirma que, bajo el estricto sistema de calificación de aprobación total de Harvey, el resultado confirma una ejecución fiable de las tareas de principio a fin, sin deterioro en las etapas intermedias.

En LegalBench, el modelo analiza contratos especializados, documentos de fusiones y opiniones judiciales con la precisión de los principales modelos de vanguardia de código cerrado, pese a operar con un presupuesto de parámetros significativamente menor, afirma la empresa. Z.ai también informa que el modelo está a la par de los principales sistemas de vanguardia en PLawBench, que evalúa consultas jurídicas, análisis de casos y redacción de documentos en chino mediante criterios de evaluación detallados.

Metodología de entrenamiento

GLM-Legal se basa en lo que Z.ai describe como el modelo fundacional ligero GLM-5.3-Flash y amplía sus capacidades especializadas mediante una fase intermedia de entrenamiento especializada, combinada con un posentrenamiento de alta eficiencia.

En la fase intermedia de entrenamiento, Z.ai amplió el volumen de corpus jurídicos de alta calidad para que el modelo aprenda conceptos jurídicos, normas legales y marcos interpretativos dentro de un contexto especializado denso. Según la empresa, esta fase refuerza las conexiones deductivas entre hechos, normas y conclusiones, y proporciona la base de conocimientos necesaria para ejecutar tareas complejas en etapas posteriores.

El posentrenamiento convierte esos conocimientos especializados en capacidad para ejecutar tareas mediante aprendizaje por refuerzo en decenas de miles de entornos jurídicos realistas, donde el modelo aprende a planificar análisis, hacer avanzar flujos de trabajo y generar entregables sujetos a restricciones concretas. Z.ai describe Harness como el marco de orquestación en tiempo de ejecución de esta configuración: gestiona el contexto de las tareas, conecta conjuntos de herramientas y canaliza la retroalimentación sobre la ejecución. Según la empresa, la arquitectura de Harness y el entrenamiento del modelo avanzan de forma sincronizada, y el aprendizaje se produce en ambas direcciones: los casos límite que surgen durante el entrenamiento del modelo permiten identificar cuellos de botella arquitectónicos en Harness, mientras que los ajustes de Harness exponen al modelo a restricciones de ejecución realistas, desde la incorporación de instrucciones hasta la aprobación final.

Una tercera etapa convierte la retroalimentación de producción en una señal de entrenamiento. Z.ai afirma que los profesionales del derecho evalúan los resultados con criterios concretos: si se abordan todas las cuestiones críticas y los casos límite; si los argumentos están bien fundamentados y las citas son jurídicamente sólidas; si el entregable se ajusta estrictamente al encargo del asunto; y si los equipos que reciben el resultado pueden utilizarlo de inmediato, sin tener que rehacerlo manualmente. Estos requisitos convierten la calidad subjetiva en señales concretas de pérdida de ingeniería, que la empresa incorpora a los entornos de tareas, los criterios de evaluación y el diseño de Harness para los ciclos de entrenamiento posteriores, y valida las mejoras con parámetros de referencia de producción.

Tres tareas jurídicas en AutoClaw

Z.ai afirma que pronto los usuarios podrán aprovechar las capacidades de GLM-Legal en AutoClaw, su plataforma de agentes nativa para escritorio, y publicó tres tareas de ejemplo para ilustrar la integración. Cada ejemplo se presenta junto con los resultados del modelo base GLM-5.3-Flash a modo de comparación.

En un ejemplo de revisión contractual, se pidió al modelo que examinara un contrato de servicios de software para un cliente que cambiaba de proveedor, con especial atención a la rescisión y al traspaso. El resultado de ejemplo propuso reducir de 60 a 30 días el preaviso que debía dar el cliente para rescindir por conveniencia; eliminar el plazo de subsanación en caso de incumplimiento de las obligaciones de propiedad intelectual, confidencialidad o seguridad de los datos, para que el cliente pudiera rescindir de inmediato; exigir la devolución de todos los entregables y trabajos en curso, tanto si se habían pagado como si no; y añadir hasta 90 días de asistencia para la transición, que abarcaría el código fuente, la documentación, los datos y la transferencia de conocimientos. A continuación, AutoClaw incorpora esas modificaciones al documento de Word como cambios controlados y comentarios.

En un ejemplo de análisis de pruebas que abarcaba 40 documentos de una disputa sobre un proyecto de software, el resultado de muestra examinó un informe para el cliente fechado el 30 de septiembre, según el cual el proyecto seguía según lo previsto y estaba completado en un 60 %, y lo contrastó con una advertencia interna del 8 de septiembre que indicaba que no se podía cumplir honestamente el hito, así como con una captura interna que registraba un avance de aproximadamente el 41 %. Relacionó esos documentos con una instrucción del director ejecutivo de ocultar el riesgo y seguir facturando, y citó las secciones 2 y 5 del contrato marco de servicios, que establecen que el pago no implica renunciar a derechos y que las garantías siguen vigentes después del pago, para respaldar una hipótesis de ocultación; al mismo tiempo, señaló que debían examinarse los elementos restantes de la reclamación antes de llegar a una conclusión definitiva.

En un ejemplo de investigación sobre cumplimiento normativo, se pidió al modelo que planificara el cumplimiento de las normas de privacidad para un sitio web que se lanzaría en Singapur, Malasia e Indonesia y que utilizaría seguimiento, marketing por correo electrónico y almacenamiento en la nube en el extranjero. El resultado de muestra elaboró una lista de prioridades para antes del lanzamiento: publicar avisos de privacidad en inglés e indonesio; exigir el consentimiento expreso para las funciones no esenciales de analítica y publicidad, y conservar los registros de consentimiento; dirigir las solicitudes de baja a una lista de supresión; identificar los destinos de los datos de los proveedores de nube, pagos, correo electrónico, analítica y distribución de contenidos; y confirmar los contratos y las salvaguardas para las transferencias exigidos en cada mercado. También incluyó referencias legales a las leyes de protección de datos personales de Singapur y Malasia y a la ley de protección de datos personales de Indonesia.

Acceso a la beta

Z.ai invita a bufetes de abogados, empresas de tecnología jurídica, equipos jurídicos internos y profesionales independientes a participar en la beta de GLM-Legal. El acceso a la API se gestiona mediante una solicitud de consulta.

AutoClaw es una aplicación de escritorio que se instala localmente. Según la página del producto de AutoClaw, es compatible con Windows 10 y versiones posteriores, macOS en equipos con Apple Silicon e Intel, iOS y Android; también se ofrecen versiones para Linux. La aplicación incluye más de 50 habilidades integradas, permite alternar entre los modelos GLM y DeepSeek, y se conecta con WhatsApp, Telegram, Discord, Lark y otras plataformas de mensajería para que los usuarios puedan asignar tareas y recibir resultados en los hilos de chat.