Z.ai esittelee GLM-Legalin, oikeudellisiin työnkulkuihin tarkoitetun agenttipohjaisen mallin

Z.ai esitteli GLM-Legalin, oikeudellisen alan agenttipohjaisen mallin, joka perustuu sen GLM-5.3-Flash-malliin, 12. lokakuuta 2026 julkaistussa ilmoituksessa. Yhtiön mukaan malli saavutti 19,2 prosentin kaikkien tehtävien läpäisyasteen Harvey LAB -vertailutestissä, joka mittaa todellisia asianajotoimistojen työnkulkuja.

Yhtiö pitää oikeudellista työtä ihanteellisena stressitestinä malleille, joita koulutetaan toimimaan korkean panoksen ammatillisissa ympäristöissä. Z.ai:n mukaan oikeudellinen työ edellyttää katkeamatonta yhteyttä tosiseikkojen, lakisääteisen sääntelyn, analyyttisen päättelyn ja asiakkaalle toimitusvalmiin työn tuloksen välillä: ammatillisen tehtävän saatuaan agentin on poimittava lähdeasiakirjoista keskeiset kysymykset, muodostettava perusteltavissa olevia argumentteja ja muotoiltava havaintonsa täsmälleen tehtävän vaatimusten mukaisesti. Yhtiö kirjoittaa, että kaikkien näiden vaatimusten täyttäminen samanaikaisesti on toimialakohtaisten mallien todellinen mittari.

Vertailutulokset

Z.ai kertoo arvioineensa GLM-Legalia kolmella osa-alueella: monimutkaisten tehtävien suorittamisessa, erikoistuneessa oikeudellisessa päättelyssä ja todellisissa oikeudellisissa työnkuluissa.

Yhtiön mukaan GLM-Legal saavutti Harvey LABissa 19,2 prosentin kaikkien tehtävien läpäisyasteen. Harvey LAB arvioi todellisia asianajotoimistojen työnkulkuja 24 oikeudenalan käytännön alueella. Tulos oli 12,5 prosenttiyksikköä parempi kuin perusmallilla. Z.ai:n mukaan Harvey-vertailun tiukan kaikkien tehtävien läpäisyyn perustuvan arvioinnin tulos vahvistaa, että malli suorittaa tehtävät luotettavasti alusta loppuun ilman suorituksen heikkenemistä välivaiheissa.

Yhtiön mukaan malli jäsentää erikoistuneita sopimuksia, yritysjärjestelyihin liittyviä ilmoituksia ja tuomioistuinten lausuntoja yhtä tarkasti kuin johtavat suljetun lähdekoodin huippumallit, vaikka sen parametribudjetti on huomattavasti pienempi. Z.ai kertoo myös mallin olevan tasavertainen johtavien huippumallien kanssa PLawBenchissä, joka arvioi kiinalaiseen oikeuteen liittyvää neuvontaa, tapausanalyysiä ja asiakirjojen laatimista yksityiskohtaisten arviointiperusteiden mukaan.

Koulutusmenetelmä

GLM-Legal perustuu Z.ai:n mukaan kevyeen GLM-5.3-Flash-perusmalliin. Sen toimialakohtaista osaamista kasvatetaan erikoistuneella välikoulutuksella ja siihen yhdistetyllä tehokkaalla jälkikoulutuksella.

Välikoulutusvaiheessa Z.ai kasvatti laadukkaiden oikeudellisten aineistojen määrää, jotta malli oppisi oikeudellisia käsitteitä, lakisääntöjä ja tulkintakehyksiä laajassa alan kontekstissa. Yhtiön mukaan tämä vaihe vahvistaa tosiseikkojen, sääntöjen ja johtopäätösten välisiä deduktiivisia yhteyksiä ja tarjoaa tietopohjan, jota tarvitaan monimutkaisten jatkotehtävien suorittamiseen.

Jälkikoulutuksessa tämä toimialakohtainen tieto muunnetaan tehtävien suorittamiseksi vahvistusoppimisen avulla kymmenissä tuhansissa realistisissa oikeudellisissa ympäristöissä. Niissä malli oppii suunnittelemaan analyysin, viemään työnkulkuja eteenpäin ja tuottamaan toimitettavia tuloksia konkreettisten rajoitteiden puitteissa. Z.ai kuvailee Harnessia tämän järjestelmän suoritusajan orkestrointikehykseksi: se hallitsee tehtävän kontekstia, yhdistää työkalukokonaisuuksia ja ohjaa suorituksesta saatavaa palautetta. Yhtiön mukaan Harness-arkkitehtuuria ja mallin koulutusta kehitetään rinnakkain, ja oppiminen kulkee molempiin suuntiin: mallin koulutuksessa esiin tulevat poikkeustapaukset paljastavat Harnessin arkkitehtuurin pullonkauloja, kun taas Harnessin parannukset altistavat mallin realistisille suoritusrajoitteille kehotteen vastaanottamisesta lopulliseen hyväksyntään asti.

Kolmannessa vaiheessa tuotantokäytöstä saatu palaute muunnetaan koulutussignaaliksi. Z.ai:n mukaan oikeudelliset asiantuntijat arvioivat tuloksia konkreettisin perustein: onko kaikki kriittiset kysymykset ja poikkeustapaukset käsitelty, ovatko argumentit hyvin perusteltuja ja viittaukset oikeudellisesti asianmukaisia, noudattaako toimitettava tulos tiukasti toimeksiannon kuvausta ja voivatko jatkotyöstä vastaavat tiimit käyttää tulosta heti ilman manuaalista uudelleentyöstämistä. Nämä vaatimukset muuttavat subjektiivisen laadun konkreettisiksi teknisiksi häviösignaaleiksi, jotka yhtiö syöttää takaisin tehtäväympäristöihin, arviointikriteeristöihin ja Harnessin suunnitteluun myöhempiä koulutuskierroksia varten. Parannukset validoidaan tuotantokäytön vertailuarvoilla.

Kolme oikeudellista tehtävää AutoClawssa

Z.ai kertoo, että käyttäjät voivat pian hyödyntää GLM-Legalin kykyjä AutoClawssa, sen työpöytäkäyttöön suunnitellulla agenttialustalla, ja julkaisi kolme esimerkkitehtävää havainnollistamaan integraatiota. Kunkin esimerkin rinnalla esitellään vertailun vuoksi GLM-5.3-Flash-perusmallin tuottama tulos.

Sopimuksen tarkastelua koskevassa esimerkissä mallia pyydettiin tutkimaan ohjelmistopalvelusopimusta asiakkaalle, joka vaihtaa palveluntarjoajaa, keskittyen sopimuksen päättämiseen ja vastuiden siirtoon. Esimerkkituloksessa ehdotettiin, että asiakkaan mahdollisuuteen perustuvan irtisanomisen irtisanomisaika lyhennetään 60 päivästä 30 päivään; että immateriaalioikeuksia, luottamuksellisuutta tai tietoturvaa koskevien velvoitteiden rikkomiseen liittyvä korjausaika poistetaan, jotta asiakas voi päättää sopimuksen välittömästi; että kaikki toimitukset ja keskeneräinen työ palautetaan riippumatta siitä, onko niistä maksettu; sekä että lisätään enintään 90 päivän siirtymävaiheen tuki, joka kattaa lähdekoodin, dokumentaation, tiedot ja osaamisen siirron. AutoClaw lisää tämän jälkeen muokkaukset Word-asiakirjaan seurattuina muutoksina ja kommentteina.

Ohjelmistoprojektia koskeneen riidan näyttöaineiston analysointiesimerkissä tarkasteltiin 40 asiakirjaa. Esimerkkitulosteessa luettiin 30. syyskuuta päivättyä asiakasraporttia, jossa todettiin projektin olevan aikataulussa ja 60-prosenttisesti valmis, rinnakkain 8. syyskuuta annetun sisäisen varoituksen kanssa, jonka mukaan välitavoitetta ei voitaisi rehellisesti saavuttaa, sekä sisäisen tilannekuvan kanssa, jossa valmistumisasteeksi kirjattiin noin 41 %. Tuloste yhdisti nämä asiakirjat toimitusjohtajan ohjeeseen peitellä riskiä ja jatkaa laskutusta. Lisäksi siinä viitattiin pääpalvelusopimuksen kohtiin 2 ja 5, joiden mukaan maksaminen ei merkitse oikeuksista luopumista ja takuut pysyvät voimassa maksun jälkeen. Näin se tuki salailua koskevaa teoriaa ja huomautti samalla, että jäljellä olevat vaatimuksen edellytykset olisi tutkittava ennen lopullisen johtopäätöksen tekemistä.

Vaatimustenmukaisuuteen liittyvässä tutkimusesimerkissä mallia pyydettiin suunnittelemaan tietosuojan noudattamista verkkosivustolle, joka avataan Singaporessa, Malesiassa ja Indonesiassa ja jolla käytetään seurantaa, sähköpostimarkkinointia ja ulkomailla sijaitsevaa pilvitallennusta. Esimerkkitulosteessa laadittiin ennen julkaisua toteutettavien toimien tärkeysjärjestys: julkaistaan tietosuojailmoitukset englanniksi ja indonesiaksi, edellytetään ei-välttämättömän analytiikan ja mainonnan osalta käyttäjän ennakkosuostumusta ja säilytetään suostumustiedot, ohjataan markkinointiviestien peruutuspyynnöt estolistalle, kartoitetaan pilvi-, maksu-, sähköposti-, analytiikka- ja sisällönjakelupalvelujen tarjoajat sekä niiden tietojen tallennuspaikat ja varmistetaan kussakin markkinassa vaadittavat sopimukset ja tiedonsiirron suojatoimet. Mukana oli myös lakiviittauksia Singaporen ja Malesian henkilötietojen suojaa koskeviin lakeihin sekä Indonesian henkilötietojen suojaa koskevaan lakiin.

Beetaversioon pääsy

Z.ai kutsuu asianajotoimistoja, lakiteknologiayrityksiä, yritysten lakitiimejä ja itsenäisiä oikeudellisia ammatinharjoittajia mukaan GLM-Legalin beetatestiin. API-rajapinnan käyttöoikeutta haetaan konsultaatiohakemuksella.

AutoClaw on itsessään paikallisesti asennettava työpöytäsovellus. AutoClawin tuotesivun mukaan se tukee Windows 10:tä ja sitä uudempia versioita, Apple Silicon- ja Intel-suorittimilla varustettuja Mac-tietokoneita, iOS:ää ja Androidia. Myös Linux-versioita tarjotaan. Sovelluksessa on yli 50 sisäänrakennettua taitoa, ja siinä voi vaihtaa GLM- ja DeepSeek-mallien välillä. Se yhdistyy WhatsAppiin, Telegramiin, Discordiin, Larkiin ja muihin viestintäalustoihin, jotta käyttäjät voivat antaa tehtäviä ja vastaanottaa tuloksia suoraan keskusteluketjuissa.