「GLM-Legal」：AI 审合同全通过率 19.2%，剩下的 80.8% 谁签字？
智谱发布法律智能体模型 GLM-Legal，Harvey 律所真实工作流基准全通过率 19.2%。本期《听懂 AI》访谈法律科技产品人顾远，解读垂直模型的训练逻辑、HN 评论区对幻觉判例的真实担忧、签字权之争，以及中国法律场景在法域划分中的独特位置。
这周 HN 榜上有篇来自中国的帖子拿下 400 多分：智谱发布了法律领域的智能体模型 GLM-Legal，号称在 Harvey 律所真实工作流基准上拿下 19.2% 的全通过率，在中文法律场景（PLawBench）上和顶级闭源模型打平。评论区却吵翻了天：有人说不到 20% 的通过率"完全没用"，有人翻出律师因 AI 编造判例被法官制裁的真实案例，还有人问——一个不开放权重的中国模型，让美国人把私人法律文件传上去，数据到底归谁？我请来老朋友顾远——红圈所出身的律师，现在在一家法律科技公司负责合同审查智能体的产品，白天调模型，晚上看判决书的那种。我们聊了聊法律 AI 的 19.2% 到底是高是低，幻觉在法庭上叫什么，以及签字权这门生意。
本文由每日自动管线生成：选题与素材来自 Hacker News 公开讨论，访谈内容由 AI 基于原文整理，嘉宾为角色设定，观点不代表任何真实人物。
小听： 顾远，先帮我们拆一下，GLM-Legal 到底是个什么东西？"法律智能体模型"这个词，听着像又一个包装概念。
顾远： 这次还真不是纯包装。智谱的打法分三层：先拿 GLM-5.3-Flash 这个轻量基座做 mid-training，往里灌大量高质量法律语料，把法条、判例、解释框架学进去；然后是 post-training，在"数万个真实法律任务环境"里做强化学习——注意，他们强调的是模型和 agent harness（任务编排框架）"协同训练"，harness 负责切分任务、喂上下文、回传执行反馈，模型负责规划和产出，两边互相找对方的 bug。最后是生产反馈闭环，让真实律师按四个硬标准打分：关键问题有没有漏、论证和引用站不站得住、交付物贴不贴合委托要求、下游能不能直接用。
小听： 听着很工程化。但评论区第一刀就砍在数字上：Harvey LAB 全通过率 19.2%。有人直接开嘲，"不到 20% 的准确率，100% 没用"。你作为从业者，这个数字到底什么水平？
顾远： 先纠正一个概念：19.2% 不是准确率，是 all-pass 全通过率——Harvey 的口径极其严格，一整套律所真实工作流里所有子项全对才算过，中间任何一环掉链子就判失败。这个口径下，GLM-Legal 比它自己的基座模型高了 12.5 个百分点，在 LegalBench 上和顶级闭源模型打了个平手，用的是"明显更小的参数量"。评论区里一位律师网友说得实在：诉讼这行的游戏规则是应对没见过的新情况，不是重放旧案子，基准分低不代表产品没用。但另一位网友的质疑更狠：他去翻了 Harvey 基准的任务和评分标准，发现好几个任务本身和打分规则就有问题——基准不干净，分高分低都别太当真。
小听： 所以 19.2% 是个"薛定谔的数字"：严格口径下不算差，但基准本身可能就有病。评论区里真正让我后背发凉的是幻觉问题。有网友说，智谱的演示里全是 tracked changes（修订模式）加人工审核，但从来没回答那个老问题：模型编造不存在的判例，律师没审出来，被法官制裁了怎么办？
顾远： 这不是假设，是已经发生过的事。评论区有人贴了一个专门追踪"AI 幻觉判例"的网站，上面记录的全是真实事件：律师把模型编出来的案例写进法庭文件，被对方律师发现查无此案，最后被法官制裁。最黑色幽默的是网友的描述——事后模型还会一本正经地道歉："您说得对，我不该编造不存在的判例。"法律这个行当和其他领域不一样，代码跑不通最多是 bug，法庭文件里多一个假判例，轻则丢案子，重则丢执照。所以智谱演示里反复强调的修订模式和人工审核，不是功能卖点，是生存必需。
AI 负责找出问题，人负责在落款处签字。
小听： 说到人工审核，评论区吵得最凶的就是"签字权"。有网友说应该立法，要求律师必须披露自己用了 AI；另一位更损，说以后律师就过上"鎏金日子"了——AI 干所有重活，他们只负责签字，旱涝保收的高薪签字机器。
顾远： "签字机器"这个说法，恰恰点中了法律 AI 的商业本质。评论区有人引用了 Anthropic 最近的政策更新：当 AI 的使用可能影响人的健康、法律权利、财务、生计时，必须有合格的 human-in-the-loop（有审查和修改权限的人），并且必须告知受影响的人 AI 参与了。这说明什么？说明责任才是这个行业真正的护城河。模型可以越来越强，但最后那个签字的名字，必须是一个能被吊销执照、能被起诉的自然人。另一位网友说得更直接：这类模型的"责任模型"很差，这个领域的进展应该重仓投在责任上，而不是参数上。AI 能把三轮审合同的活干了，律师做最后一轮把关——评论区里真有人这么干过，用 Claude 红线 OEM 协议，连他自己的律师都惊讶"对方这次怎么这么细致"，省了三轮的钱。这就是现实里的分工：AI 负责找出问题，人负责在落款处签字，签字费照收。
小听： 还有个绕不开的问题：GLM-Legal 不开放权重，只能调 z.ai 的 API。评论区里美国网友的反应很真实——把私人法律文件传给一家中国公司处理，数据主权怎么办？但换个角度，这对中文读者是不是反而是利好？
顾远： 这是整篇帖子最有意思的镜像。美国网友担心数据流向中国，逻辑是成立的；但对中国法律从业者来说，GLM-Legal 的 PLawBench 成绩——中文法律咨询、案例分析、文书起草和顶级模型打平——恰恰是它最值钱的地方。法律是高度本地化的知识：法条体系、诉讼程序、文书格式，中美完全是两个世界。评论区也有人问：这模型到底是为哪个法系调的？美国法？中国法？欧洲法？帖子默认你懂，但法律 AI 不存在"一套模型打天下"。普通法系的判例推理和大陆法系的法条演绎，训练数据的组织方式都不一样。所以数据主权的争议背后是个更实在的问题：法律 AI 的战场是按法域划分的，谁先在自己的法域里做出好用的垂直模型，谁就先拿到那个市场的签字权。
小听： 评论区还有个特好玩的追问："下一个是不是 GLM-Science？再往后是不是连 GLM-经济地理、GPT-水产养殖都有了？"垂直模型到底能切多细？
顾远： 这个问题问到了点子上。GLM-Legal 的技术路线其实给出了答案：它不是简单地"拿法律数据微调一下"，而是把"领域知识 mid-training + 任务环境 RL + harness 协同"做成了一套可复制的范式。理论上，任何"高风险、强流程、重交付"的专业领域都能套这个模板：医疗、财税、工程合规。但切多细取决于两个约束：一是该领域有没有足够高质量的结构化任务环境来做 RL（法律有合同、有判例，天然适合）；二是错误成本有多高（越高，人工审核的闭环就越值钱）。水产养殖听着像玩笑，但只要满足这两个条件，技术上完全成立。垂直模型的终局不是"每个细分一个模型"，而是"每个高风险专业都有一套 模型+harness+人工签字 的完整工作流"。
幻觉在法庭上不叫错误，叫伪证。
小听： 最后拉回开发者视角。这篇帖子对天天做 AI 应用的人，有什么能直接搬走的东西？
顾远： 三条。第一，harness 和模型要一起训：GLM-Legal 最大的方法论贡献不是法律语料，而是承认 agent 的能力 = 模型智能 × 编排框架，两边互相暴露对方的短板，迭代要锁步。第二，把"人的签字"设计进产品：修订模式、引用溯源、事实与推断分离——这些不是合规负担，是法律 AI 唯一可行的交付形态，其他高风险领域照抄就行。第三，基准分看看就好：19.2% 的全通过率最大的价值是告诉你"离全自动还差得远"，而不是"我们快赢了"。法律这个行当用几百年的时间证明了一件事：最后负责的永远是人。AI 再强，也只是让签字的人签得更快、更贵。
这篇帖子最值钱的不是模型本身，而是一面镜子：它照出了 AI 落进真实高风险行业时的全部真相——基准会骗人、幻觉会坐牢、签字权才是印钞机。而对中文开发者来说，还有一层额外的信息：当美国网友在担心数据流向中国时，中国的垂直模型已经开始在中文法域里跑分了。法域即市场，签字即权力。本文观点仅代表访谈角色设定，原始讨论见参考链接。