图注：一图读懂本文要点——法律智能体的成本被打下来了，可追责这道关还没过（来源：源势AI）
10 月 12 日，智谱发布并开源 GLM-Legal 法律智能体模型，基于总参数 320B、激活 18B 的轻量多模态底座 GLM-5.3-Flash 训练。官方口径是：在覆盖 24 个执业领域的 Harvey LAB 端到端律所工作流评测上，全通过率 19.2%，较基座提升 12.5 个百分点（来源：智谱官方发布，2026-10-12，转引自 Tech Digest《AI行业24小时_20261014_10》）。
第三方评测机构 Vals AI 复核为 19.17%，在 79 个模型中排第 7，并称其单题成本约 0.15 美元、为前十中最低——同为前列的 Gemini 4 Argon 约 10.55 美元、GPT-6 Astra 约 26.16 美元（来源：钛媒体，2026-10-12，转引自 Tech Digest《AI行业24小时_20261014_10》）。
便宜了两个数量级，这是这份成绩单里最扎眼的部分。
19.2% 是什么口径
先把预期降下来。
这个比例是「端到端全通过率」，绝对值不高，也不是任务完成率；第三方只复核了基准分，没有复核训练过程。智谱称在 LegalBench 与中文 PLawBench 上与前沿闭源模型持平，但没有给出具体数字；API 目前是申请制，后续接入桌面智能体平台 AutoClaw 的时间与产能都没有第三方数据（来源：智谱官方发布，2026-10-12，转引自 Tech Digest《AI行业24小时_20261014_10》）。
单纯看这个数字，它还是偏低。它值钱的地方在分母：同样的题，别人的单题账单一栏是两位数美元。
还有一个细节是开源权重。模型放出来，用户可以自己部署、把合同与判例留在内网，不必把敏感文本送出去。对律所和法务部门来说，这一点的分量往往高于跑分——法律工作流的输入里，很多材料本身就不适合出域。
图注：GLM-Legal 在 Harvey LAB 端到端全通过率 19.2%、较基座提升 12.5 个百分点，第三方复核 19.17%，在 79 个模型中排第 7（数据来源：智谱官方发布、Vals AI，转引自 Tech Digest《AI行业24小时_20261014_10》）
一题 0.15 美元意味着什么
计价方式决定了这个数。GLM-Legal 按每百万 token 输入 0.075 美元、输出 0.25 美元计价，配 1M 上下文与 128k 输出（来源：智谱官方发布，2026-10-12，转引自 Tech Digest《AI行业24小时_20261014_10》）。
法律工作流的 token 消耗结构决定了它特别吃价格：一份合同要反复读、反复比对条款、来回追问，输入侧的消耗远大于输出侧。同样按输入定价，单价差两个数量级，落到单案成本上就是能不能规模化的差别。
对已经在用法务 AI 的团队来说，这里有一道现实的选择题：是先把成本降下来、把使用量铺开，还是先建验证环节再放量。前者见效快，后者更慢，但出错时的代价小得多。
图注：前列模型单题成本约 0.15、10.55、26.16 美元，GLM-Legal 为前十中最低（数据来源：Vals AI，转引自 Tech Digest《AI行业24小时_20261014_10》）
便宜解决不了的那部分
成本只是门槛的一半。法律场景真正的门槛是可追责。
arXiv 上的一项反事实检验给了一组对照：七个开源模型（8B 到 70B）正确点名权威的比例是 66.7% 到 100%，但判决真的随权威替换而改变的比例只有 0.0% 到 21.7%；把对抗指令藏进案情后，73.3% 到 96.4% 的生成会照办（来源：《被引用的法条未必被遵循》，arXiv 2610.12361）。
也就是说，模型点得出该引哪一条，不等于判决真的用了那一条。对法务团队来说，输出「法律解释」既不能当合规证据，也不能当审计轨迹。
这组数字还有一层含义：这个落差补不上。论文里试过把模型做大，也试过专门做法务领域的微调，两个方向都没能补上点名与依赖之间的缺口。
图注：七个开源模型正确点名权威的比例为 66.7% 到 100%，而判决随权威替换而改变的比例只有 0.0% 到 21.7%（数据来源：《被引用的法条未必被遵循》，arXiv 2610.12361）
要落地，验证环节本身也得有形态：把「每一句论断依据哪一条、模型实际检索到了什么」作为结构化字段输出，再用规则去查两者是否一致。这类检查不必再调一次大模型，成本几乎可以忽略。
同一方向的研究提出，法律场景需要会「接地」和「弃答」的奖励模型，即证据不足时模型应当拒答，而不是编一个像样的结论（来源：《法律场景需要会接地和弃答的奖励模型》，arXiv 2609.14739）。
把这两组结论放在一起，指向同一个交付标准：模型可以写、可以查，但落笔的判断要有人或流程负责。便宜不改变这一点，只改变了可以试错的次数。
源势AI观点
第一，把成本优势换成流程优势，而不是换成更多自动生成。单题成本压到这个量级之后，值得花钱的地方就从「调用模型」变成「验证输出」。
第二，交付物定义要改。可以拿它起草、拿它检索，但每一句论断都要能追溯到一条被实际依赖的依据，而不是被引用的依据——这两者的差别，就是上面那组点名率和依赖率之间的落差。
第三，落地时先划责任边界。模型可以给出建议，签字的人和流程必须留在内部；法律场景里，便宜是入场券，可追责才是续约条件。
话题标签：#法律智能体 #模型成本 #可追责
