Z.ai dévoile GLM-Legal, un modèle agentique pour les flux de travail juridiques

Z.ai a présenté GLM-Legal, un modèle agentique spécialisé dans le domaine juridique et reposant sur son modèle de base GLM-5.3-Flash, dans une annonce du 12 octobre 2026, faisant état d’un taux de réussite totale de 19,2 % sur le benchmark Harvey LAB, qui évalue des flux de travail juridiques réels de cabinets d’avocats.

L’entreprise présente le travail juridique comme un test de résistance idéal pour entraîner des modèles capables d’évoluer dans des environnements professionnels à forts enjeux. Selon Z.ai, la pratique du droit exige une chaîne ininterrompue reliant les faits, les règles de droit, le raisonnement analytique et des livrables prêts à être remis au client : face à une tâche professionnelle, un agent doit extraire les questions essentielles des documents sources, élaborer des arguments défendables et présenter ses conclusions en respectant précisément les spécifications de la tâche. L’entreprise écrit que satisfaire simultanément à toutes ces exigences constitue le véritable critère de référence des modèles spécialisés.

Résultats des benchmarks

Z.ai indique avoir évalué GLM-Legal selon trois axes : l’exécution de tâches complexes, le raisonnement juridique spécialisé et les flux de travail juridiques réels.

Sur Harvey LAB, qui évalue des flux de travail réels de cabinets d’avocats dans 24 domaines de pratique, GLM-Legal a atteint un taux de réussite totale de 19,2 %, soit une amélioration de 12,5 points de pourcentage par rapport à son modèle de base, indique l’entreprise. Z.ai affirme que, selon les critères stricts de réussite totale de Harvey, ce résultat confirme la fiabilité de l’exécution des tâches de bout en bout, sans dégradation intermédiaire.

Sur LegalBench, le modèle analyse des contrats spécialisés, des documents relatifs à des fusions et des décisions de justice avec la précision des meilleurs modèles de pointe à source fermée, tout en fonctionnant avec un budget de paramètres nettement plus réduit, indique l’entreprise. Z.ai fait également état de résultats équivalents à ceux des principaux systèmes de pointe sur PLawBench, qui évalue la consultation juridique, l’analyse de dossiers et la rédaction de documents en droit chinois selon des grilles d’évaluation détaillées.

Méthode d’entraînement

GLM-Legal repose sur ce que Z.ai décrit comme le modèle de base léger GLM-5.3-Flash. Ses compétences spécialisées sont développées au moyen d’un préentraînement intermédiaire spécialisé, associé à un post-entraînement à haut rendement.

Lors de l’étape de préentraînement intermédiaire, Z.ai a augmenté le volume de corpus juridiques de haute qualité afin que le modèle assimile les concepts juridiques, les règles de droit et les cadres d’interprétation dans un contexte spécialisé riche. Selon l’entreprise, cette étape renforce les liens déductifs entre les faits, les règles et les conclusions, fournissant ainsi les connaissances nécessaires à l’exécution ultérieure de tâches complexes.

Le post-entraînement transforme ces connaissances spécialisées en capacité d’exécution, grâce à l’apprentissage par renforcement mené dans des dizaines de milliers d’environnements juridiques réalistes, où le modèle apprend à planifier ses analyses, à faire avancer les flux de travail et à produire des livrables soumis à des contraintes concrètes. Z.ai décrit le dispositif d’orchestration comme le cadre d’exécution de cette configuration : il gère le contexte des tâches, relie les ensembles d’outils et achemine les retours sur l’exécution. Selon l’entreprise, l’architecture du dispositif et l’entraînement du modèle évoluent de concert, et l’apprentissage se fait dans les deux sens : les cas limites mis au jour pendant l’entraînement du modèle révèlent les goulots d’étranglement de l’architecture du dispositif, tandis que les améliorations de celui-ci exposent le modèle à des contraintes d’exécution réalistes, de la réception des instructions jusqu’à la validation finale.

Une troisième étape transforme les retours de la production en signaux d’entraînement. Selon Z.ai, des professionnels du droit évaluent les résultats à partir de critères concrets : la prise en compte de toutes les questions cruciales et des cas limites, la solidité des arguments et la validité juridique des citations, le respect strict du cahier des charges du dossier et la possibilité pour les équipes en aval d’utiliser immédiatement le livrable sans reprise manuelle. Ces exigences convertissent une qualité subjective en signaux d’erreur techniques mesurables, que l’entreprise réinjecte dans les environnements de tâches, les grilles d’évaluation et la conception du dispositif lors des cycles d’entraînement suivants, puis utilise pour valider les améliorations au regard des benchmarks de production.

Trois tâches juridiques dans AutoClaw

Z.ai indique que les utilisateurs pourront bientôt exploiter les capacités de GLM-Legal dans AutoClaw, sa plateforme d’agents conçue pour les ordinateurs de bureau, et a publié trois exemples de tâches pour illustrer cette intégration. Chaque exemple est présenté avec les résultats du modèle de base GLM-5.3-Flash à des fins de comparaison.

Dans un exemple d’examen de contrat, le modèle devait analyser un contrat de services logiciels pour un client qui changeait de prestataire, en mettant l’accent sur la résiliation et la transition. Le résultat proposé consistait à réduire de 60 à 30 jours le préavis de résiliation pour convenance du client, à supprimer le délai de régularisation en cas de manquement aux obligations relatives à la propriété intellectuelle, à la confidentialité ou à la sécurité des données afin que le client puisse résilier immédiatement, à exiger la restitution de tous les livrables et travaux en cours, qu’ils aient été payés ou non, et à ajouter jusqu’à 90 jours d’assistance à la transition couvrant le code source, la documentation, les données et le transfert de connaissances. AutoClaw insère ensuite ces modifications dans le document Word sous forme de modifications suivies et de commentaires.

Dans un exemple d’analyse de preuves portant sur 40 documents liés à un litige concernant un projet logiciel, le résultat fourni à titre d’exemple a confronté un rapport destiné au client, daté du 30 septembre, qui indiquait que le projet était dans les temps et achevé à 60 %, à un avertissement interne du 8 septembre selon lequel il était impossible d’atteindre honnêtement le jalon, ainsi qu’à un état interne faisant état d’un avancement d’environ 41 %. Il a relié ces documents à une instruction du PDG visant à dissimuler le risque et à poursuivre la facturation, et cité les articles 2 et 5 du contrat-cadre de services, qui prévoient que le paiement n’emporte pas renonciation aux droits et que les garanties restent valables après le paiement, à l’appui d’une thèse de dissimulation, tout en précisant qu’il convenait d’examiner les autres éléments constitutifs de la réclamation avant de tirer une conclusion définitive.

Dans un exemple de recherche sur la conformité, il a été demandé au modèle de planifier la conformité en matière de protection de la vie privée pour un site web dont le lancement était prévu à Singapour, en Malaisie et en Indonésie, avec des outils de suivi, du marketing par e-mail et un stockage infonuagique à l’étranger. Le résultat fourni à titre d’exemple a établi une liste de priorités à traiter avant le lancement : publier des avis de confidentialité en anglais et en indonésien, recueillir le consentement préalable pour les outils d’analyse et de publicité non essentiels tout en conservant les justificatifs de consentement, ajouter les demandes de désabonnement à une liste d’exclusion, cartographier les fournisseurs de services infonuagiques, de paiement, d’e-mail, d’analyse et de diffusion de contenu ainsi que les lieux où ils stockent les données, et vérifier les contrats et les garanties de transfert exigés dans chaque marché, en citant les lois sur la protection des données personnelles de Singapour et de Malaisie et la loi indonésienne sur la protection des données personnelles.

Accès bêta

Z.ai invite les cabinets d’avocats, les entreprises de technologies juridiques, les équipes juridiques internes et les professionnels indépendants à participer à la bêta de GLM-Legal. L’accès à l’API se fait sur demande, après une consultation.

AutoClaw est une application de bureau installée localement. Selon la page produit d’AutoClaw, elle prend en charge Windows 10 et les versions ultérieures, macOS sur les ordinateurs équipés de processeurs Apple Silicon ou Intel, iOS et Android ; des versions pour Linux sont également proposées. L’application comprend plus de 50 compétences intégrées, permet de passer des modèles GLM à DeepSeek et de se connecter à WhatsApp, Telegram, Discord, Lark et à d’autres plateformes de messagerie, afin que les utilisateurs puissent attribuer des tâches et en recevoir les résultats dans les fils de discussion.