Z.ai apresenta GLM-Legal, um modelo agêntico para fluxos de trabalho jurídicos

A Z.ai apresentou o GLM-Legal, um modelo agêntico especializado no domínio jurídico e desenvolvido com base no GLM-5.3-Flash, em um anúncio de 12 de outubro de 2026, informando uma taxa de aprovação integral de 19,2% no benchmark Harvey LAB, que avalia fluxos de trabalho reais de escritórios de advocacia.

A empresa considera o trabalho jurídico um teste de estresse ideal para treinar modelos a operar em ambientes profissionais de alto risco. Segundo a Z.ai, a prática jurídica exige uma cadeia ininterrupta que conecte fatos, normas legais, raciocínio analítico e entregáveis prontos para o cliente: diante de uma tarefa profissional, um agente precisa extrair questões centrais dos documentos de origem, construir argumentos defensáveis e formatar suas conclusões de acordo com especificações exatas da tarefa. A empresa afirma que o verdadeiro parâmetro de referência para modelos especializados em um domínio é atender simultaneamente a todas essas exigências.

Resultados dos benchmarks

A Z.ai afirma ter avaliado o GLM-Legal em três dimensões: execução de tarefas complexas, raciocínio jurídico especializado e fluxos de trabalho jurídicos do mundo real.

No Harvey LAB, que avalia fluxos de trabalho reais de escritórios de advocacia em 24 áreas de atuação, o GLM-Legal obteve uma taxa de aprovação integral de 19,2%, 12,5 pontos percentuais acima de seu modelo-base, informa a empresa. Segundo a Z.ai, sob o rigoroso critério de aprovação integral do Harvey, esse resultado confirma uma execução confiável de tarefas de ponta a ponta, sem perda de qualidade nas etapas intermediárias.

No LegalBench, o modelo analisa contratos especializados, documentos de fusões e pareceres judiciais com a precisão dos principais modelos de fronteira de código fechado, apesar de operar com um orçamento de parâmetros significativamente menor, afirma a empresa. A Z.ai também informa que o modelo está no mesmo nível dos principais sistemas de fronteira no PLawBench, que avalia consultas jurídicas, análise de casos e elaboração de documentos em chinês com critérios detalhados.

Metodologia de treinamento

O GLM-Legal é baseado no que a Z.ai descreve como a versão leve do GLM-5.3-Flash, e amplia sua competência no domínio jurídico por meio de um treinamento intermediário especializado, combinado com um pós-treinamento de alta eficiência.

Na etapa de treinamento intermediário, a Z.ai ampliou o volume de corpora jurídicos de alta qualidade para que o modelo aprenda conceitos jurídicos, normas legais e estruturas interpretativas em um contexto denso e especializado. Segundo a empresa, essa etapa fortalece as conexões dedutivas entre fatos, normas e conclusões, fornecendo a base de conhecimento necessária para a execução de tarefas complexas nas etapas seguintes.

O pós-treinamento converte esse conhecimento especializado em execução de tarefas por meio de aprendizado por reforço em dezenas de milhares de ambientes jurídicos realistas, nos quais o modelo aprende a planejar análises, conduzir fluxos de trabalho e gerar entregáveis sujeitos a restrições concretas. A Z.ai descreve o Harness como a estrutura de orquestração em tempo de execução nesse sistema: ele gerencia o contexto das tarefas, conecta conjuntos de ferramentas e encaminha o feedback sobre a execução. Segundo a empresa, a arquitetura do Harness e o treinamento do modelo evoluem em sincronia, e o aprendizado ocorre nos dois sentidos: os casos extremos identificados durante o treinamento do modelo revelam gargalos arquitetônicos no Harness, enquanto os aprimoramentos do Harness expõem o modelo a restrições de execução realistas, desde a entrada do prompt até a aprovação final.

Uma terceira etapa converte o feedback da produção em sinais de treinamento. Segundo a Z.ai, profissionais do direito avaliam os resultados com base em critérios concretos: se todas as questões críticas e os casos extremos foram abordados; se os argumentos estão bem fundamentados e as citações são juridicamente sólidas; se o entregável segue rigorosamente as instruções do caso; e se as equipes envolvidas nas etapas seguintes podem usar o resultado imediatamente, sem retrabalho manual. Esses requisitos convertem a qualidade subjetiva em sinais concretos para as funções de perda da engenharia, que a empresa incorpora aos ambientes de tarefas, às rubricas de avaliação e ao projeto do Harness nos ciclos de treinamento seguintes, validando os aprimoramentos com base em benchmarks de produção.

Três tarefas jurídicas no AutoClaw

A Z.ai afirma que em breve os usuários poderão aplicar os recursos do GLM-Legal no AutoClaw, sua plataforma de agentes nativa para computadores, e publicou três tarefas de exemplo para ilustrar a integração. Cada exemplo é apresentado ao lado do resultado do modelo-base GLM-5.3-Flash, para comparação.

Em um exemplo de análise contratual, pediu-se ao modelo que examinasse um contrato de serviços de software para um cliente que estava trocando de fornecedor, com foco na rescisão e na transição. O resultado de exemplo propôs reduzir de 60 para 30 dias o aviso prévio para rescisão por conveniência do cliente; eliminar o prazo para sanar violações de obrigações de propriedade intelectual, confidencialidade ou segurança de dados, permitindo que o cliente rescindisse o contrato imediatamente; exigir a devolução de todos os entregáveis e trabalhos em andamento, independentemente de terem sido pagos; e acrescentar até 90 dias de assistência na transição, abrangendo código-fonte, documentação, dados e transferência de conhecimento. Em seguida, o AutoClaw insere essas alterações no documento do Word como revisões controladas e comentários.

Em um exemplo de análise de evidências envolvendo 40 documentos de uma disputa relacionada a um projeto de software, a resposta de exemplo comparou um relatório enviado ao cliente em 30 de setembro, que afirmava que o projeto estava no cronograma e 60% concluído, com um alerta interno de 8 de setembro, segundo o qual não seria possível cumprir honestamente o marco, e um registro interno que indicava aproximadamente 41% de conclusão. A resposta relacionou esses registros a uma instrução do CEO para ocultar o risco e continuar faturando, e citou as seções 2 e 5 do contrato-mestre de prestação de serviços, que estabelecem que o pagamento não implica renúncia a direitos e que as garantias permanecem vigentes após o pagamento, como apoio a uma tese de ocultação, observando, ao mesmo tempo, que os demais elementos da alegação deveriam ser avaliados antes de se chegar a uma conclusão final.

Em um exemplo de pesquisa sobre conformidade, pediu-se ao modelo que planejasse a adequação à legislação de privacidade para um site que seria lançado em Singapura, na Malásia e na Indonésia, com rastreamento, marketing por e-mail e armazenamento em nuvem no exterior. A resposta de exemplo apresentou uma lista de prioridades para antes do lançamento: publicar avisos de privacidade em inglês e indonésio; exigir consentimento explícito para análises e publicidade não essenciais, mantendo os registros de consentimento; encaminhar solicitações de cancelamento de inscrição para uma lista de supressão; mapear os fornecedores de nuvem, pagamentos, e-mail, análise e distribuição de conteúdo, identificando os destinos dos dados; e confirmar os contratos e as salvaguardas para transferências exigidos em cada mercado, com referências legais às leis de proteção de dados pessoais de Singapura e da Malásia e à lei de proteção de dados pessoais da Indonésia.

Acesso à versão beta

A Z.ai está convidando escritórios de advocacia, empresas de tecnologia jurídica, equipes jurídicas internas e profissionais independentes a participar da versão beta do GLM-Legal. O acesso à API será oferecido por meio de uma solicitação de consulta.

O próprio AutoClaw é um aplicativo para computador instalado localmente. De acordo com a página do produto AutoClaw, ele é compatível com Windows 10 e versões posteriores, macOS em computadores com Apple Silicon e Intel, iOS e Android; também há versões para Linux. O aplicativo inclui mais de 50 habilidades integradas, permite alternar entre os modelos GLM e DeepSeek e se conecta ao WhatsApp, Telegram, Discord, Lark e outras plataformas de mensagens, para que os usuários possam atribuir tarefas e receber resultados nas próprias conversas.