コンテンツにスキップ
メインサイト ニュース コンソール

Zhipu AIの新モデル、法律能力で世界首位を獲得

· 量子位
国内AI

Zhipuの新型モデル、法律分野で世界トップに

AIの波がついに法曹界にも押し寄せました。

Zhipu(智譜)が、特化型モデルの激しい開発競争を一気に法律領域へと持ち込みました。

つい先ほど、Zhipuは完全新規のオープンソース法律特化型大規模言語モデル「GLM-Legal」を発表しました。

条文についての雑談にとどまらず、契約書レビュー、証拠関係の整理、クロスボーダー・コンプライアンス調査など、一連の具体的かつ専門的な実務をこなし、即戦力としてそのまま使えるアウトプットを直接提示します。

実測ベンチマークのスコアも極めて優秀です。

Vals AIが公開した最新の法律能力評価において、GLM-Legalは**19.2%の全条件クリア率(Pass All Rate)と86.23%**の正解率を記録し、Harvey LABとLegalBenchの双方においてオープンウェイトモデル首位を獲得しました。

日常会話、オフィスコラボレーション、コーディング支援の競争を経て、AIはついに法的契約書や訴訟記録といった、高い専門知識を要する緻密な実務領域へと深く切り込み始めました。

発表直後からコミュニティでは大きな反響が巻き起こっています。

「これからはGLM-Legalが私の専属法務チームになる」

しかし、少し立ち止まって考えてみましょう。このモデルは一体どの国の法体系を学んでいるのでしょうか? 国内ローカルの実務ニーズにも応えられるのでしょうか?

詳しく見ていきましょう。

契約レビュー、証拠整理、コンプラ対応まで、GLM-Legalがすべてカバー

朗報なのは、中国国内の法体系に徹底的に適応している点です。ローカル法務における不適合の心配は全くありません。

中国語の法律実務はもちろん、英語での法務タスクや、東南アジアにおける越境コンプライアンスといった複雑な課題にも自在に対応できます。

もっとも、ベンチマークテストはあくまで理論上の評価にすぎません。

現実の法律実務には無数のリスクと落とし穴が潜んでおり、わずかなミスが深刻な事態を招くこともあります。

真の実戦力を備えているかどうかは、実際の現場に投入し、契約条項の精査や海外サービス公開前のプライバシーコンプライアンス確認などのアシストができるかを検証しなければ分かりません。

まずは公式デモの3つの事例(GLM-5.3-Flash と GLM-Legal の“兄弟対決”)を見てみましょう。

1. 契約レビュー:取引終了後の引き継ぎフローを明確化

企業がソフトウェアベンダーを変更する際、まず整理すべきなのが契約解除および引き継ぎに関する条項です。

コード、データ、ドキュメントは完全に回収できるのか? 新しいベンダーへスムーズに引き継げるのか?

こうした潜在的リスクは、細かな条項の隙間に潜んでいることが少なくありません。

これに対し、GLM-Legalは契約終了通知期間を60日から30日に短縮することを提案し、さらに最大90日間の移行期間サポート条項を追加して、コード・ドキュメント・ナレッジの引き継ぎ期間を十分に確保するようアドバイスしました。

また、既存の成果物帰属条項と照らし合わせ、未完了部分や未精算部分を含むすべての成果物の返還を明確に義務付ける修正を提案しています。

GLM-5.3-Flashと比較すると、GLM-Legalの優位性は一目瞭然です。

前者が一般的な抽象的アドバイスにとどまるのに対し、GLM-Legalは具体的なスケジュールや引き継ぎ範囲などの必須要素を明確にし、契約書の既存条項と厳密に紐付けた修正案を提示しています。

契約解除に伴う移行・引き継ぎのメカニズム全体が、極めて整然と整理されています。

では、雑然とした事件の証拠群を前にした場合、GLM-Legalはどのように対処するのでしょうか?

2. 証拠分析:散らばった手がかりを一本の線に統合

これは実務において非常によくある切実な課題です。

プロジェクトの協業で紛争が生じた際、膨大な報告書、作業ドキュメント、チャットログの中から、相手側の主張の矛盾や抜け穴をどのように検証すればよいのでしょうか?

公式の事例では、対外的には「進捗率60%完了」と報告されていたものの、内部の実績記録では約41%にとどまっていたケースを取り上げています。

検証の結果、GLM-5.3-FlashとGLM-Legalはともにこの矛盾点を検出できました。

しかし両者の決定的な違いは、GLM-5.3-Flashが単なる指摘にとどまったのに対し、GLM-Legalはアドバイスを出しつつ、この進捗報告を初期のリスク警告や内部のやり取り記録と時系列で関連付け、具体的な照合アクションへと導いた点にあります。

証拠の全体像を一本の鎖として整理できて初めて、チームは原本に迅速に遡って突き合わせを行い、どのデータが信頼に足るものか、今後の主張の根拠になり得るかを特定できるのです。

3. 海外進出コンプライアンス:法規制を行動チェックリストへ落とし込み

企業がシンガポール、マレーシア、インドネシアなどの海外市場へWebサービスを展開する場合、ユーザートラッキング、メールマーケティング、クロスボーダークラウドストレージなど、多岐にわたるフェーズでプライバシー・データコンプライアンスの壁に直面します。

このような場面では、サービス公開前に必要な準備リストを整理してくれる専門的なアシスタントが不可欠です。

実際のテストにおいて、GLM-Legalは複雑に絡み合う法規制の要件を、現地対応のプライバシーポリシー策定や配信停止リクエストの配信停止リスト(Suppression List)への登録など、明快で実行可能なアクションステップへと論理的に分解しました。

これにより、業務の推進スピードは大幅に加速します。

こうした実戦力を踏まえて振り返ると、Harvey LABにおける「19.2%の全条件クリア率」がどれほど難関であり、価値のある数字であるかがより直感的に理解できるはずです。

全条件クリア率 19.2%、この試験はどれほど過酷なのか?

Harvey LABの評価基準は、極めて厳格なことで知られています。

同テストでは**「全条件達成(All-or-Nothing)方式」**が採用されており、単一のタスクに含まれるすべての評価条件を同時に満たさなければクリアとみなされず、1項目でも漏れがあれば不合格となります。

タスクの設計は、大手法律事務所の業務フローを忠実に再現したものです。自律型エージェント(Agent)に対し、業務要件とクライアントの一連の元資料を渡し、パートナー弁護士がチェックしてそのまま提出できるレベルの成果物を直接作成させます。

Harvey LABの初回バージョンだけでも、法律事務所の現場実務を模した1,200件以上のタスクが収録されており、M&A、知的財産、金融法務など24の中核法務分野を網羅しています。

つまり、資料の読解・理解から、ツールチェーンの制御、業界規範に沿ったアウトプットの構成に至るまで、全プロセスで一切の破綻を許さない完成度がなければ、このテストで高得点を獲得することはできません。

総合スコアに加え、テスト実行コストの比較も興味深い点です。

最終スコアが拮抗しているにもかかわらず、GLM-LegalはGemini 4 Argonより処理に約30分長くかかったものの、Geminiの1タスクあたりの実行コストはGLM-Legalの約70倍に達しました。

このテストデータは、産業界に対しても示唆に富んでいます。法律特化型アシスタントを選定する際は、タスク遂行能力、推論コスト、実行時間を総合的に勘案しなければならないということです。

では、GLM-Legalはどのようにして育成されたのでしょうか?

その答えは、Zhipuが特別に設計したモデルのステップアップ・プロセスに隠されています。

AIに法律を読ませるだけでなく、「法律事務所」でインターンを経験させる

ZhipuがGLM-Legalのために設計したトレーニング工程は、次のように要約できます。

まず「法科大学院」で基礎を固め、次に「模擬法律事務所」で実践力を叩き込む。

ステップ1:GLM-5.3-Flashを基盤として、法律分野の高密度コーパスによる継続事前学習(Mid-training)を実施。法概念、条文ロジック、判例分析フレームワークを深く学び、専門的な法学の素養を確立。

ステップ2:数万件の法律タスクを配備した環境にモデルを投入して強化学習を行い、資料の精査、論理的推論、手続きの進行、文書の作成・納品といった専門スキルを繰り返し反復トレーニング。

同時に開発チームはAgentの実行フレームワークを継続的に改善し、資料の構成ロジック、ツール呼び出しインターフェース、フィードバックループを最適化することで、モデルを実際のワークフローへと深く融合させました。

この育成アプローチは、現実の法律家が歩むキャリアパスと見事に一致しています。

ロースクールに入学して基本書を読み込み法学的な思考様式を養う段階から、高学年で事務所のインターンとして実務に触れ、数年の経験を経てパラリーガルからアソシエイト弁護士へとステップアップしていくプロセスです。

AIが現在再現しているのは、まさに法律のエキスパートが辿る標準的な成長モデルそのものです。

もっとも客観的に見れば、GLM-Legalはまだ現場に足を踏み入れたばかりの新人段階であり、シニアパートナーレベルの総合力をすぐに発揮できるわけではありません。

この「法律スペシャリスト」が持つ実力には、多くの側面で実戦による継続的な検証が必要です。19.2%という全条件クリア率もまた、過酷な総合評価基準の下では、複雑なタスクの大半において依然として改善と磨き込みの余地があることを示しています。

これは、Zhipuが現在推進している戦略とも合致しています。

法律事務所、リーガルテック企業、企業内法務チーム、独立開業弁護士に向け、GLM-Legalのベータテスト参加申請を正式に開始。現場の実務家による深い関与とフィードバックを通じて、モデルの微調整と研鑽を継続する。

同時にZhipuは、関連する法務機能をAutoClawプラットフォームへ全面的に統合し、実際の業務シナリオへの実装を加速させる計画です。

これは、明確な業界のシグナルを発信しています。

Zhipuは業界の経験豊富な法律プロフェッショナルと連携してGLM-Legalを進化させており、その主たる目標は、将来的に実務弁護士にとって手放せない真の生産性ツールへと育て上げることです。

Zhipuが今後このビジョンを完全に達成できるかどうか、市場の注目が続いています。

One More Thing

Zhipuが法律特化型モデルを展開するのは、単なる思いつきではありません。

早くも2023年、Zhipuはスマートコントラクト領域に強みを持つリーガルテック企業の冪律智能(PowerLaw AI)と提携し、ChatGLM-130Bをベースとした1,000億パラメータ規模の法律特化型モデル「PowerLawGLM」を共同発表しました。このモデルは、法律相談、契約書ドラフト作成、契約書レビューといった基幹業務に広く活用されています。

その後もZhipuは既存株主としてPowerLaw AIの戦略的資金調達や、約8,000万元規模のプレシリーズBラウンドに出資を継続してきました。

汎用ベースモデルに法律の専門特化トレーニングを施す試みは、Zhipuに限った話ではありません。

今年8月、リーガルAIユニコーンのHarveyはFireworksと提携し、Kimi K3をベースモデルとして、ポストトレーニングによって独自開発の法律モデル「Tenet」を構築しました。

Harveyの発表によれば、特化型ポストトレーニングを経たことで、同モデルのLABホールドアウトタスクにおける処理完了数はベースモデルのほぼ2倍に達しつつ、コスト水準を概ね一定に維持できたといいます。

産業界の最前線で行われているこれらの試みは、バーティカル特化型モデルの実装に向けた新たな進化の道筋を示しています。

優れた汎用ベースモデルを選定した上で、高価値な業界データ、特化型タスク環境、現実の作業フローに基づいた徹底的な反復トレーニングを行うことこそが、モデルの専門能力を飛躍的に高める確実なアプローチである。

今後、誰がモデルにより確固たる「専門知識」を教え込み、より実戦に近い「模擬実習環境」を構築して、現実のビジネス課題を解決できる確かな実戦力を授けられるか。それこそが、プロフェッショナルな専門領域において市場とユーザーから真の信頼を勝ち取る鍵となるでしょう。

参考リンク:
[1] https://x.com/Zai_org/status/2109678174468534511?s=20
[2] https://z.ai/blog/glm-legal
[3] https://x.com/ValsAI/status/2109678921017168061
[4] https://www.harvey.ai/blog/introducing-harveys-legal-agent-benchmark?utm_source=chatgpt.com
[5] https://media.qimingpian.cn/2023/06/29/bd6b454d1bf2400827f682a6c5e7eacf.html?utm_source=chatgpt.com

#国内AI#4Allapi.com

4All API チームによる投稿

原文リンク:https://www.qbitai.com/2026/10/503965.html

主流 AI モデル API をお探しですか?4All API は OpenAI / Anthropic / Google Gemini / Qwen / DeepSeek など数十種類のモデルを単一の API キーで呼び出せます。公式準拠の価格、エンタープライズ品質の通信路、5 分で接続完了。

4All API コンソールに登録 →