GLM-Legal est un modèle spécialisé dans le travail juridique que Z.ai, l'équipe derrière la famille GLM de Zhipu, a présenté le 12 octobre 2026 dans un article officiel. Il suit une voie différente de celle des géants généralistes : plutôt que de courir après le nombre de paramètres, il part de la base légère GLM-5.3-Flash et la façonne par un entraînement intermédiaire de domaine et un post-entraînement efficace pour le travail réel des cabinets. Son résultat central est un taux de réussite complète de 19,2 % sur Harvey LAB, un banc d'essai construit sur les flux de travail réels des cabinets d'avocats, soit 12,5 points de plus que son modèle de base. Sur LegalBench et sur PLawBench, centré sur la pratique juridique chinoise, l'entreprise affirme égaler les modèles fermés de pointe, avec un nombre de paramètres nettement inférieur.
Pourquoi 19,2 % mérite attention : la notation est tout ou rien
Ce chiffre demande un contexte. Harvey LAB couvre 24 domaines de pratique et note selon un principe strict du tout ou rien : si l'extraction des faits, l'application des textes, la structure de l'argumentation ou le format de livraison casse à un endroit quelconque d'une tâche, la tâche entière échoue. Cela reflète la manière dont les cabinets acceptent réellement un travail, car un document qu'un avocat transmet ne peut pas être seulement à peu près juste. Le travail juridique est difficile précisément parce qu'il exige une chaîne ininterrompue entre faits, doctrine, raisonnement et livrable prêt pour le client. Faire passer le taux de réussite complète d'environ 6,7 % pour le modèle de base à 19,2 % suggère que le gain ne porte pas seulement sur la quantité de connaissances juridiques, mais sur la capacité à mener un dossier jusqu'au bout. Lu dans l'autre sens, ce chiffre est aussi la part la plus honnête de l'annonce : même après un entraînement spécialisé, quatre tâches sur cinq échouent encore à la barre du tout ou rien, ce qui montre la distance qui sépare le droit de l'automatisation complète.
L'idée d'entraînement : le modèle et son harnais d'exécution évoluent ensemble
L'entraînement comporte trois couches. L'entraînement intermédiaire enrichit des corpus juridiques de haute qualité pour ancrer concepts, règles écrites et cadres d'interprétation. Le post-entraînement applique ensuite un apprentissage par renforcement dans des dizaines de milliers d'environnements de tâches juridiques réalistes, pour apprendre au modèle à planifier une analyse, faire avancer un processus et produire des livrables sous contraintes concrètes. L'idée notable est la co-évolution entre le modèle et son harness, le cadre d'exécution qui gère le contexte des tâches, connecte les outils et achemine les retours : l'architecture du harnais et l'entraînement du modèle itèrent au même rythme, les cas limites découverts à l'entraînement exposent les goulots du harnais, et les améliorations du harnais entraînent en retour le modèle sous des contraintes d'exécution plus réalistes. Une boucle de retour de production referme le système : des juristes en exercice notent si tous les points critiques sont traités, si les arguments et citations tiennent, si le livrable suit strictement la mission et si les équipes suivantes peuvent l'utiliser sans retouche ; ces jugements alimentent directement le cycle suivant d'entraînement et d'évaluation.
Trois cas montrent où l'écart avec le modèle de base devient concret
L'article officiel présente trois comparaisons sur la même tâche, et les différences sont tangibles. En révision de contrat, pour un client qui change de prestataire, le modèle de base donne des conseils justes dans leur direction mais génériques sur les délais de préavis et la restitution des données, tandis que GLM-Legal descend au niveau de la clause : préavis de résiliation ordinaire ramené de 60 à 30 jours, suppression du délai de régularisation pour les violations touchant la propriété intellectuelle, la confidentialité ou la sécurité des données, donc résiliation immédiate possible, restitution des travaux en cours qu'ils soient payés ou non, et jusqu'à 90 jours d'assistance à la transition. En analyse de preuves, sur 40 documents d'un litige logiciel, il relie un rapport externe affichant 60 % d'avancement à un instantané interne d'environ 41 %, à un courriel d'alerte interne antérieur et à une instruction de la direction de dissimuler le risque et de continuer à facturer, en citant les clauses du contrat selon lesquelles le paiement ne vaut pas renonciation aux droits. Dans le cas de conformité transfrontalière, il transforme la préparation vie privée pour Singapour, la Malaisie et l'Indonésie en liste priorisée : registres de consentement, liste de suppression pour les désinscriptions, cartographie des flux de données chez les sous-traitants et références aux articles de loi locaux. Le motif commun aux trois cas : le résultat n'est plus une redite de notions juridiques générales, mais un brouillon de travail qui peut entrer dans une négociation, un dossier ou un plan de lancement.
Accès bêta ouvert, et des limites à regarder avec le même sérieux
GLM-Legal est en bêta : les demandes d'accès API sont ouvertes aux cabinets, aux entreprises de legal tech, aux équipes juridiques internes et aux praticiens indépendants, et la capacité arrivera dans AutoClaw, la plateforme d'agents de bureau de Z.ai, capable d'inscrire les modifications dans des documents Word sous forme de révisions suivies et de commentaires pour relecture en équipe. La prudence s'impose aussi : tous les bancs d'essai et les trois cas proviennent des mesures et de la sélection de Z.ai, et un taux de 19,2 % rappelle par lui-même que, dans les domaines à tolérance zéro comme l'exactitude des citations et la vérification des faits, la production du modèle exige toujours une relecture point par point par un avocat. Sa valeur réaliste consiste à amener les premiers jets, les structurations et les listes, c'est-à-dire le travail le plus chronophage, à un niveau révisable, et non à remplacer la personne qui signe. Pour les équipes juridiques, cela suffit déjà à justifier un essai : faire passer des dossiers réels anonymisés dans une réception de type tout ou rien en dira plus long que n'importe quel classement.
