Z.ai Memperkenalkan GLM-Legal, Model Berbasis Agen untuk Alur Kerja Hukum

Z.ai memperkenalkan GLM-Legal, model agentik untuk ranah hukum yang dibangun di atas fondasi GLM-5.3-Flash, dalam pengumuman pada 12 Oktober 2026. Perusahaan melaporkan tingkat kelulusan penuh sebesar 19,2% pada tolok ukur Harvey LAB, yang menguji alur kerja firma hukum di dunia nyata.

Perusahaan menilai pekerjaan hukum sebagai uji tekanan yang ideal untuk melatih model agar dapat beroperasi di lingkungan profesional berisiko tinggi. Menurut Z.ai, praktik hukum menuntut kesinambungan yang tak terputus antara fakta, doktrin perundang-undangan, penalaran analitis, dan hasil kerja yang siap disampaikan kepada klien: ketika diberi tugas profesional, agen harus mengekstrak isu-isu utama dari dokumen sumber, menyusun argumen yang dapat dipertahankan, dan menyajikan temuannya sesuai spesifikasi tugas secara tepat. Perusahaan menyebut kemampuan memenuhi semua kendala ini secara bersamaan sebagai tolok ukur sesungguhnya bagi model khusus domain.

Hasil Tolok Ukur

Z.ai menyatakan bahwa pihaknya mengevaluasi GLM-Legal berdasarkan tiga aspek: pelaksanaan tugas kompleks, penalaran hukum khusus, dan alur kerja hukum di dunia nyata.

Pada Harvey LAB, yang menilai alur kerja firma hukum di dunia nyata di 24 bidang praktik, GLM-Legal mencapai tingkat kelulusan penuh sebesar 19,2%, meningkat 12,5 poin persentase dibandingkan model dasarnya, menurut laporan perusahaan. Z.ai menyatakan bahwa, berdasarkan penilaian ketat Harvey yang mensyaratkan kelulusan penuh, hasil tersebut menegaskan kemampuan model menjalankan tugas secara andal dari awal hingga akhir tanpa penurunan kinerja di tahap perantara.

Perusahaan menyatakan bahwa pada LegalBench, model tersebut mengurai kontrak khusus, dokumen pengajuan merger, dan putusan pengadilan dengan ketepatan setara model frontier tertutup terbaik, meskipun menggunakan anggaran parameter yang jauh lebih kecil. Z.ai juga melaporkan bahwa kinerjanya setara dengan sistem frontier terkemuka pada PLawBench, yang mengevaluasi konsultasi hukum, analisis kasus, dan penyusunan dokumen dalam konteks hukum Tiongkok berdasarkan rubrik terperinci.

Metodologi Pelatihan

GLM-Legal dibangun di atas fondasi ringan GLM-5.3-Flash, sebagaimana dijelaskan Z.ai, dengan meningkatkan kompetensi domain melalui pelatihan menengah khusus yang dipadukan dengan pascapelatihan berdaya guna tinggi.

Pada tahap pelatihan menengah, Z.ai memperbesar volume korpus hukum berkualitas tinggi agar model mempelajari konsep hukum, aturan perundang-undangan, dan kerangka penafsiran dalam konteks domain yang padat. Menurut perusahaan, tahap ini memperkuat hubungan deduktif antara fakta, aturan, dan kesimpulan, sehingga menyediakan landasan pengetahuan yang diperlukan untuk pelaksanaan tugas lanjutan yang kompleks.

Pascapelatihan mengubah pengetahuan domain tersebut menjadi kemampuan menjalankan tugas melalui pembelajaran penguatan di puluhan ribu lingkungan hukum yang realistis. Di dalamnya, model belajar merencanakan analisis, memajukan alur kerja, dan menghasilkan keluaran sesuai kendala konkret. Z.ai menjelaskan bahwa Harness dalam sistem ini merupakan kerangka orkestrasi saat runtime: kerangka tersebut mengelola konteks tugas, menghubungkan rangkaian alat, dan mengarahkan umpan balik pelaksanaan. Menurut perusahaan, arsitektur Harness dan pelatihan model dikembangkan secara iteratif dan serentak, dengan pembelajaran yang berlangsung dua arah: kasus-kasus khusus yang muncul selama pelatihan model menunjukkan hambatan arsitektural pada Harness, sementara penyempurnaan Harness memaparkan model pada kendala pelaksanaan yang realistis, mulai dari penerimaan perintah hingga persetujuan akhir.

Tahap ketiga mengubah umpan balik dari penggunaan produksi menjadi sinyal pelatihan. Z.ai menyatakan bahwa para profesional hukum mengevaluasi keluaran berdasarkan kriteria konkret: apakah semua isu kritis dan kasus khusus telah ditangani; apakah argumen didukung bukti dengan baik dan kutipan hukumnya tepat; apakah hasil kerja benar-benar mengikuti arahan perkara; serta apakah tim yang menangani tahap berikutnya dapat langsung menggunakan keluaran tersebut tanpa pengerjaan ulang secara manual. Persyaratan ini mengubah kualitas yang subjektif menjadi sinyal fungsi kerugian yang konkret untuk rekayasa. Perusahaan kemudian memasukkan sinyal tersebut kembali ke dalam lingkungan tugas, rubrik evaluasi, dan rancangan Harness untuk siklus pelatihan berikutnya, serta memvalidasi peningkatan berdasarkan tolok ukur produksi.

Tiga Tugas Hukum di AutoClaw

Z.ai menyatakan bahwa pengguna akan segera dapat memanfaatkan kemampuan GLM-Legal di AutoClaw, platform agen yang berjalan langsung di desktop miliknya, dan telah menerbitkan tiga contoh tugas untuk menunjukkan integrasinya. Setiap contoh disertai keluaran dari model dasar GLM-5.3-Flash sebagai pembanding.

Dalam contoh peninjauan kontrak, model diminta memeriksa kontrak layanan perangkat lunak untuk klien yang akan berganti penyedia, dengan berfokus pada pengakhiran dan serah terima. Contoh keluarannya mengusulkan untuk mengurangi masa pemberitahuan pengakhiran tanpa sebab oleh klien dari 60 menjadi 30 hari; menghapus masa perbaikan pelanggaran atas kewajiban kekayaan intelektual, kerahasiaan, atau keamanan data agar klien dapat segera mengakhiri kontrak; mewajibkan pengembalian semua hasil kerja dan pekerjaan yang masih berlangsung, terlepas dari apakah semuanya telah dibayar; serta menambahkan bantuan transisi hingga 90 hari yang mencakup kode sumber, dokumentasi, data, dan transfer pengetahuan. AutoClaw kemudian menerapkan perubahan tersebut pada dokumen Word sebagai perubahan terlacak dan komentar.

Dalam contoh analisis bukti yang mencakup 40 dokumen dari sengketa proyek perangkat lunak, keluaran contoh membandingkan laporan klien tertanggal 30 September yang menyatakan bahwa proyek berjalan sesuai rencana dan telah selesai 60% dengan peringatan internal tertanggal 8 September bahwa tonggak pencapaian tersebut tidak mungkin dipenuhi secara jujur, serta catatan internal yang menunjukkan tingkat penyelesaian sekitar 41%. Keluaran itu mengaitkan dokumen-dokumen tersebut dengan instruksi CEO untuk menutupi risiko dan terus menagih, lalu mengutip pasal 2 dan 5 dalam perjanjian layanan induk, yang menetapkan bahwa pembayaran tidak menghapus hak dan bahwa jaminan tetap berlaku setelah pembayaran, untuk mendukung teori penyembunyian. Namun, keluaran itu juga mencatat bahwa unsur-unsur gugatan lainnya perlu diuji sebelum kesimpulan akhir diambil.

Dalam contoh riset kepatuhan, model diminta merencanakan kepatuhan privasi untuk situs web yang akan diluncurkan di Singapura, Malaysia, dan Indonesia, dengan pelacakan, pemasaran melalui email, dan penyimpanan awan di luar negeri. Keluaran contoh menyusun daftar prioritas sebelum peluncuran: menerbitkan pemberitahuan privasi dalam bahasa Inggris dan Indonesia; menerapkan persetujuan pilihan aktif untuk analitik dan iklan nonesensial, sekaligus menyimpan catatan persetujuan; meneruskan permintaan berhenti berlangganan ke daftar penekanan; memetakan penyedia layanan awan, pembayaran, email, analitik, dan distribusi konten beserta lokasi tujuan datanya; serta memastikan kontrak dan perlindungan transfer yang diwajibkan di setiap pasar, dengan merujuk pada undang-undang perlindungan data pribadi Singapura dan Malaysia serta undang-undang perlindungan data pribadi Indonesia.

Akses Beta

Z.ai mengundang firma hukum, perusahaan teknologi hukum, tim hukum internal, dan praktisi independen untuk bergabung dalam uji beta GLM-Legal. Akses API akan diproses melalui permohonan konsultasi.

AutoClaw sendiri adalah aplikasi desktop yang dipasang secara lokal. Menurut halaman produk AutoClaw, aplikasi ini mendukung Windows 10 dan versi lebih baru, macOS pada perangkat dengan Apple Silicon maupun prosesor Intel, iOS, dan Android; versi Linux juga tersedia. Aplikasi ini dilengkapi lebih dari 50 keterampilan bawaan, mendukung perpindahan antara model GLM dan DeepSeek, serta terhubung ke WhatsApp, Telegram, Discord, Lark, dan platform perpesanan lainnya, sehingga pengguna dapat memberikan tugas dan menerima hasilnya di dalam percakapan.