Z.ai представляє GLM-Legal — агентну модель для юридичних робочих процесів

Z.ai представила GLM-Legal — агентну модель для юридичної сфери, створену на базі GLM-5.3-Flash, у оголошенні від 12 жовтня 2026 року та повідомила, що модель показала результат 19,2% за критерієм повного проходження тесту Harvey LAB, який оцінює реальні робочі процеси юридичних фірм.

Компанія вважає юридичну роботу ідеальним стрес-тестом для навчання моделей діяти у професійних середовищах із високими ставками. На думку Z.ai, юридична практика вимагає безперервного зв’язку між фактами, положеннями законодавства, аналітичними міркуваннями та результатом роботи, готовим для клієнта: отримавши професійне завдання, агент має виокремити ключові питання з первинних документів, побудувати обґрунтовані аргументи й оформити висновки відповідно до точних вимог завдання. Як зазначає компанія, справжнім критерієм для моделей, спеціалізованих на певній галузі, є здатність одночасно дотримуватися всіх цих вимог.

Результати тестування

За словами Z.ai, компанія оцінила GLM-Legal за трьома напрямами: виконання складних завдань, спеціалізоване юридичне міркування та робочі процеси, що відповідають реальній юридичній практиці.

За даними компанії, у тесті Harvey LAB, який оцінює робочі процеси юридичних фірм у 24 галузях юридичної практики, GLM-Legal показала результат 19,2% за критерієм повного проходження — на 12,5 відсоткового пункта вище, ніж базова модель. Z.ai зазначає, що за суворою системою оцінювання Harvey, яка зараховує лише повне проходження, цей результат підтверджує надійне виконання завдань від початку до кінця без погіршення на проміжних етапах.

За словами компанії, у LegalBench модель аналізує спеціалізовані договори, документи про злиття та судові рішення з точністю, що відповідає провідним передовим моделям із закритим вихідним кодом, попри значно менший бюджет параметрів. Z.ai також повідомляє, що за результатами PLawBench модель не поступається провідним передовим системам. Цей тест оцінює юридичні консультації китайською мовою, аналіз справ і підготовку документів за детальними критеріями.

Методологія навчання

GLM-Legal створено на основі легкої моделі GLM-5.3-Flash, як її характеризує Z.ai. Компанія нарощує спеціалізовану компетентність у предметній галузі завдяки спеціалізованому проміжному навчанню в поєднанні з високоефективним донавчанням.

На етапі проміжного навчання Z.ai збільшила обсяг високоякісних юридичних корпусів, щоб модель засвоювала юридичні поняття, законодавчі норми та підходи до тлумачення в насиченому предметному контексті. За словами компанії, цей етап посилює дедуктивні зв’язки між фактами, нормами та висновками, формуючи базу знань, необхідну для виконання складних подальших завдань.

Донавчання перетворює знання в предметній галузі на здатність виконувати завдання завдяки навчанню з підкріпленням у десятках тисяч реалістичних юридичних середовищ. У них модель вчиться планувати аналіз, просувати робочі процеси й готувати результати роботи з дотриманням конкретних обмежень. Z.ai описує Harness як середовище виконання, що координує роботу в цій системі: воно керує контекстом завдання, підключає набори інструментів і спрямовує зворотний зв’язок про виконання. За словами компанії, архітектура Harness і навчання моделі вдосконалюються синхронно, а навчання відбувається в обох напрямках: граничні випадки, виявлені під час навчання моделі, вказують на архітектурні вузькі місця в Harness, тоді як удосконалення Harness дають змогу моделі працювати з реалістичними обмеженнями виконання — від обробки запиту до остаточного погодження.

На третьому етапі зворотний зв’язок із виробничого середовища перетворюється на сигнал для навчання. За словами Z.ai, юристи оцінюють результати за конкретними критеріями: чи розглянуто всі критично важливі питання та граничні випадки; чи належно обґрунтовано аргументи та чи відповідають посилання на джерела вимогам юридичної коректності; чи суворо дотримується результат завдання, викладеного в описі справи; і чи можуть команди на наступних етапах одразу використовувати його без ручного доопрацювання. Ці вимоги перетворюють суб’єктивну оцінку якості на конкретні інженерні сигнали функції втрат. Компанія враховує їх у середовищах виконання завдань, критеріях оцінювання та проєктуванні Harness у наступних циклах навчання, а вдосконалення перевіряє за виробничими тестами.

Три юридичні завдання в AutoClaw

За словами Z.ai, невдовзі користувачі зможуть застосовувати можливості GLM-Legal в AutoClaw — агентній платформі, створеній для настільних комп’ютерів. Щоб продемонструвати інтеграцію, компанія опублікувала три приклади завдань. Кожен приклад супроводжується результатом базової моделі GLM-5.3-Flash для порівняння.

У прикладі з перевіркою договору модель мала проаналізувати договір на надання програмних послуг для клієнта, який змінює постачальника, зосередившись на умовах розірвання та передавання справ. У прикладі результату запропоновано скоротити строк попередження клієнтом про розірвання договору без зазначення причин із 60 до 30 днів; скасувати строк на усунення порушень зобов’язань щодо інтелектуальної власності, конфіденційності або безпеки даних, щоб клієнт міг негайно розірвати договір; зобов’язати повернути всі результати робіт і незавершені роботи незалежно від того, чи було за них сплачено; а також передбачити до 90 днів допомоги з переходом, зокрема передавання вихідного коду, документації, даних і знань. Потім AutoClaw вносить ці правки в документ Word у вигляді виправлень із відстеженням і коментарів.

У прикладі аналізу доказів, що охоплював 40 документів у спорі навколо програмного проєкту, у зразку результату зіставлено звіт для клієнта від 30 вересня, у якому зазначалося, що проєкт просувається за планом і виконаний на 60%, із внутрішнім попередженням від 8 вересня про те, що цього етапу неможливо добросовісно досягти, та внутрішнім знімком стану проєкту, де було зафіксовано приблизно 41% виконання. У результаті ці документи пов’язано з вказівкою генерального директора приховати ризик і продовжувати виставляти рахунки, а також наведено посилання на розділи 2 і 5 генеральної угоди про надання послуг, згідно з якими оплата не означає відмови від прав, а гарантії залишаються чинними після оплати. Це слугувало підставою для версії про приховування, водночас зазначалося, що перед остаточним висновком слід перевірити інші елементи позову.

У прикладі дослідження вимог щодо дотримання законодавства модель попросили спланувати захист персональних даних для вебсайту, який запускається в Сінгапурі, Малайзії та Індонезії й використовуватиме трекінг, маркетинг електронною поштою та закордонне хмарне сховище. У зразку результату було складено перелік пріоритетних завдань до запуску: опублікувати повідомлення про конфіденційність англійською та індонезійською мовами; вимагати попередньої згоди на використання необов’язкових засобів аналітики й реклами та зберігати записи про згоду; спрямовувати запити на скасування підписки до списку адрес, виключених із розсилки; визначити постачальників хмарних послуг, платіжних сервісів, електронної пошти, аналітики та доставки контенту й місця, куди передаються їхні дані; а також перевірити договори й гарантії захисту, необхідні для передавання даних на кожному ринку. У результаті також наведено посилання на законодавчі положення законів Сінгапуру й Малайзії про захист персональних даних і закону Індонезії про захист персональних даних.

Доступ до бета-версії

Z.ai запрошує юридичні фірми, компанії у сфері юридичних технологій, штатні юридичні команди та незалежних фахівців приєднатися до бета-тестування GLM-Legal. Доступ до API надається через подання заявки на консультацію.

AutoClaw — це настільна програма, яку встановлюють локально. Згідно зі сторінкою продукту AutoClaw, програма підтримує Windows 10 і новіші версії, macOS на пристроях з Apple Silicon і процесорами Intel, iOS та Android; також доступні збірки для Linux. У програму вбудовано понад 50 навичок; вона дає змогу перемикатися між моделями GLM і DeepSeek та підключатися до WhatsApp, Telegram, Discord, Lark та інших платформ обміну повідомленнями, щоб користувачі могли доручати завдання й отримувати результати безпосередньо в чатах.