Z.ai veröffentlicht GLM-Legal: 19,17 % vollständige Harvey-LAB-Bestehensquote, API nur auf Antrag, keine offenen Gewichte
Laut einem MarkTechPost-Bericht vom 13. Oktober 2026 hat Z.ai das juristische Fachmodell GLM-Legal veröffentlicht. Es basiert auf GLM-5.3-Flash und erreicht im Harvey LAB eine vollständige Bestehensquote von 19,17 %, etwa das Dreifache der Basis von 6,67 %. Ein Vals-AI-Testdurchlauf kostet 0,15 US-Dollar; derzeit ist nur eine API auf Antrag verfügbar, Preise und Gewichte wurden nicht veröffentlicht.
Was sich geändert hat
Laut einem MarkTechPost-Bericht vom 13. Oktober 2026 hat Z.ai das auf juristische Szenarien spezialisierte Fachmodell GLM-Legal veröffentlicht, Zielanwendungen sind Vertragsprüfung, Beweisanalyse und Compliance-Recherche. Das Modell basiert auf GLM-5.3-Flash; die Quelle bezeichnet die Basis als MoE mit 320B Gesamtparametern und 18B aktiven Parametern, 1 Million Token Kontext und maximal 128K Ausgabe, hybridem sparse Attention und linearer Attention, das Text, Bilder, Videos und Dateien lesen kann. Das Training erfolgt in zwei Phasen: Midtraining auf erweitertem juristischem Korpus, danach Reinforcement-Learning-Nachtraining in Zehntausenden juristischen Aufgabenumgebungen; die Quelle erwähnt zudem, dass Ausführungsframework und Modell im Nachtraining ko-evolvierten. Zur Evaluierung: Harvey LAB ist ein offener Benchmark mit 1250 Aufgaben aus 24 Praxisbereichen, bewertet nach über 75.000 von Experten verfassten Bewertungskriterien, wobei eine Aufgabe nur bei Bestehen aller Kriterien als bestanden gilt; Vals AI führte das Holdout-Set mit zwei LLM-Juroren unter deaktiviertem Internetzugang aus. Dem Bericht zufolge erreicht GLM-Legal eine vollständige Bestehensquote von 19,17 %, Platz 7 unter 79 Modellen, die Basis liegt bei 6,67 %; die Bestehensquote einzelner Kriterien beträgt 92,5 %. In derselben Rangliste werden Kimi K3 mit 12,92 %, Claude Fable 5 mit 11,25 % und GPT-6 Astra mit 5,42 % genannt, doch die Veröffentlichungsgrafik führt die 6 höher platzierten Modelle nicht auf, der Spitzenreiter liegt bei 25,42 %. Auf LegalBench erreicht GLM-Legal 86,23 % und liegt hinter Claude Fable 5 mit 88,56 %; auf Legal Research Bench 41,83 %, unter der Basis von 45,19 %. Der Zugang erfolgt ausschließlich über die gehostete API von Z.ai und erfordert einen Antrag; zum Berichtsdatum wurden keine Preise veröffentlicht, es gibt kein entsprechendes Repository auf Hugging Face; das Basismodell lässt sich über vLLM oder SGLang selbst betreiben, die Gewichte sind offenes FP8.
Auswirkungen für Entwickler
Für Legal-Tech- und Unternehmensrechtsabteilungen liegt der Wert dieser Meldung nicht in der Platzierung selbst, sondern darin, dass ein vertikales Modell mit relativ niedrigen Testkosten pro Durchlauf die Bestehensquote agentischer juristischer Aufgaben auf das Dreifache der Basis hebt. Das deutet darauf hin, dass Domänen-Nachtraining plus RL bei langen, werkzeuggestützten Aufgaben deutlich mehr bringen kann als allgemeine Fähigkeitssteigerungen. Die Einordnung für den Einsatz muss jedoch differenziert erfolgen. Erstens hat GLM-Legal derzeit keine offenen Gewichte und ist nur über eine antragspflichtige gehostete API zugänglich, was Datenfluss, Audit und Compliance-Verantwortung teilweise an den Anbieter zurückgibt; für Kanzleien, die vertrauliche Mandantenunterlagen verarbeiten, ist dies eine vorgelagerte Einschränkung und kein Nebenaspekt. Die in der Quelle genannten offenen Gewichte beziehen sich auf die FP8-Gewichte der Basis GLM-5.3-Flash und bedeuten nicht, dass GLM-Legal selbst quelloffen ist; Verfügbarkeit von Gewichten und Lizenzrechte sind zwei verschiedene Dinge, aus einer offenen Basis lässt sich nicht ableiten, dass auch das abgeleitete Modell selbst betreibbar ist. Zweitens ist der Kostenvorteil nach Lesart der Quelle vorsichtig zu deuten: Die 0,15 US-Dollar sind ein von Vals AI auf Basis von 0,075 US-Dollar pro Million Input-Token und 0,25 US-Dollar pro Million Output-Token bei einer bestimmten Aufgabenlänge berechneter Testkostenwert pro Durchlauf, kein vom Anbieter veröffentlichter API-Preis. Der Preis von GLM-Legal wurde bislang nicht veröffentlicht, daher ist jedes Kostenmodell auf dieser Zahl eine Annahme. Drittens sind die Fähigkeitsgewinne uneinheitlich: Harvey LAB verbessert sich um 12,5 Prozentpunkte, doch Legal Research Bench liegt 3,36 Prozentpunkte unter der Basis, was nahelegt, dass das Modell auf mehrstufige werkzeugaufrufende Aufgaben ausgerichtet ist und der Nutzen für offene juristische Recherche negativ sein kann. Viertens dauert eine Harvey-LAB-Aufgabe im Mittel 1 Stunde 12 Minuten und damit länger als bei den meisten Modellen derselben Tabelle, weshalb interaktive Szenarien und Batch-Offline-Szenarien völlig unterschiedlich abzuwägen sind. Zudem gibt die Quelle an, Z.ai habe erklärt, GLM-Legal werde in die Desktop-Agent-Anwendung AutoClaw aufgenommen, ohne Zeitplan zu nennen; all dies ist Berichterstattung, keine unabhängige Verifikation durch KimiSeek.
Integration und Bewertung
Das Folgende sind empfehlende Einschätzungen, keine verifizierten Fakten. Entscheidung eins: Prototyp auf der Basis oder auf GLM-Legal-Zugang warten. Dem Bericht zufolge ist die Basis GLM-5.3-Flash bereits verfügbar und ihre Gewichte offen, GLM-Legal dagegen nur auf Antrag. Wenn ein Projekt sofort starten muss oder sensible Dokumente zwingend lokal verarbeitet werden müssen, ist es realistischer, zunächst auf der Basis einen Ablauf aufzubauen; konzentrieren sich die Aufgaben auf mehrstufigen Vertragsvergleich oder die Aufbereitung von Beweisketten, die Werkzeugaufrufe erfordern, und ist eine Verarbeitung über den Anbieter akzeptabel, lohnt ein Antrag. Voraussetzung ist, ob der Zugang genehmigt wird und ob die Verarbeitung echter Mandantenunterlagen erlaubt ist. Als Bewertungskriterium kann gelten: auf 50 bis 100 eigenen historischen Vertragsprüfungsfällen die Erstbestehensquote von Basis und genehmigtem GLM-Legal im Sinne vollständigen Bestehens vergleichen und verlangen, dass der Zugewinn gegenüber der Basis eine erklärbare Größe erreicht, andernfalls nicht migrieren. Entscheidung zwei: Latenz in die Auswahl einbeziehen, nicht nur die Bestehensquote. Die Quelle zeigt für GLM-Legal im Mittel 1 Stunde 12 Minuten pro Aufgabe, deutlich länger als andere Modelle derselben Tabelle; daher sollten Echtzeit-Assistenzprodukte für Anwälte und nächtliche Batch-Due-Diligence-Pipelines unterschiedlich entscheiden. Ist die Latenz für erstere nicht akzeptabel, ist der bedingte Ansatz, weiter Basis oder ein schnelleres allgemeines Modell im Frontend zu nutzen und das hochpräzise Modell in eine asynchrone Warteschlange zu legen. Voraussetzung ist, dass die Aufgabe asynchronisiert werden kann und Nutzer eine Rückmeldung im Stundenbereich akzeptieren; als Bewertungskriterium kann gelten, unter realer Nebenläufigkeit die P95-End-to-End-Latenz und die Kosten pro Aufgabe im Budgetrahmen zu messen. Entscheidung drei: nicht anhand einer einzigen Rangliste festlegen. Der Bericht nennt gleichzeitig eine deutliche Verbesserung im Harvey LAB und ein Unterschreiten der Basis im Legal Research Bench, also gegenläufige Ergebnisse; daher sollte vor der Integration der Evaluierungssatz nach der eigenen Geschäftsverteilung aufgeteilt und die Bestehensquote für Recherche- und für Prozessausführungsaufgaben getrennt erhoben sowie die Bestehensquote einzelner Kriterien statt nur die Aufgabenquote erfasst werden. Als Bewertungskriterium kann gelten: die Differenzrichtung gegenüber der Basis muss auf beiden Aufgabentypen zur eigenen geschäftlichen Gewichtung passen; hat Recherche einen hohen Anteil, sollte nicht allein wegen der Harvey-LAB-Zahl gewechselt werden. Da der Preis nicht veröffentlicht ist, sollte jede Kostenrechnung zuerst die Abrechnungsmodalitäten beim Anbieter klären und mit der eigenen Token-Verteilung neu rechnen, statt die Testkosten Dritter zu übernehmen.
Grenzen und offene Fragen
Alle Benchmark-Ergebnisse, Kosten und Laufzeiten in diesem Bericht stammen aus den von der Quelle genannten Vals-AI-Läufen mit Stand 12. Oktober 2026; KimiSeek hat sie nicht unabhängig reproduziert. Die Version GLM-Legal ist derzeit nicht im KimiSeek-Modellkatalog enthalten; die genannte API-Verfügbarkeit, das Antragsverfahren und der Preisstatus beziehen sich auf den Anbieter Z.ai, nicht auf diese Seite. Z.ai hat den API-Preis von GLM-Legal nicht veröffentlicht, daher sind die Testkosten pro Durchlauf aus der Quelle nicht als tatsächlicher Abrechnungsmaßstab zu verwenden. Für die Basis GLM-5.3-Flash existiert im KimiSeek-Katalog ein gleichnamiger Eintrag glm-5.3-flash, doch dieser ist ein anderes Modell als GLM-Legal; daraus lässt sich nicht ableiten, dass GLM-Legal verfügbar oder selbst betreibbar ist. Die Quelle nennt keine eigenständige Parametergröße von GLM-Legal und keine konkreten Zahlen zum chinesischen PLawBench; die Aussage von Z.ai, LegalBench und PLawBench lägen gleichauf, entbehrt überprüfbarer Werte. Die Namen der höher platzierten Modelle in der Harvey-Rangliste wurden in der Veröffentlichungsgrafik ausgelassen; dieser Bericht gibt dies nur aus der Quelle wieder. Ob API-Zugang gewährt wird, der Zeitplan für AutoClaw und die tatsächlichen Lizenzbedingungen sind ungeklärt und richten sich nach späteren Angaben des Anbieters.