دقت مطلق در استدلال حقوقی، مرز بین یک ابزار مفید و یک ریسک شغلی است. نرخ موفقیت ۱۹.۲ درصدی در گردش‌کارهای واقعی دفاتر حقوقی، اکنون کف جدیدی برای قابلیت اطمینان در هوش مصنوعی حقوقی تعریف کرده است. در ۱۲ اکتبر ۲۰۲۶، شرکت Z.ai از مدل GLM-Legal پرده‌برداری کرد؛ یک مدل عامل‌محور (Agentic) که بر پایه مدل بنیادی GLM-5.3-Flash توسعه یافته است. این مدل به‌طور خاص مهندسی شده است تا زنجیره‌ای ناگسستنی و بدون گسست میان دکترین قانونی و خروجی‌های نهایی آماده برای ارائه به مشتری ایجاد کند.
آزمون استرس حقوقی
پزشکی و حقوق دو حوزه‌ای هستند که کمترین خطا در آن‌ها پذیرفتنی نیست و به همین دلیل، رویه‌های حقوقی به عنوان یک آزمون استرس حیاتی برای هوش مصنوعی عمل می‌کنند؛ زیرا این حوزه نیازمند دقت مطلق در هر دو سطح واقعیات و استدلال است. طبق اعلام Z.ai، کار حقوقی حرفه‌ای نیازمند پیوندی بی‌نقص و یکپارچه میان واقعیات پرونده، دکترین قانونی، استدلال تحلیلی و محصول نهایی است.
برای موفقیت در این مسیر، یک عامل (Agent) باید بتواند مسائل کلیدی را از اسناد منبع استخراج کند، استدلال‌های دفاعی قابل اتکا بسازد و یافته‌ها را دقیقاً طبق مشخصات سخت‌گیرانه هر تسک قالب‌بندی کند. از نظر این شرکت، برآورده کردن هم‌زمان تمام این محدودیت‌ها، معیار واقعی برای سنجش مدل‌های تخصصی دامنه (Domain-specific) است.
همان‌طور که در تحلیل قبلی ما درباره‌ی Litify و عامل‌های حقوقی چندمرحله‌ای آن اشاره کردیم، صنعت در حال گذار از پیش‌نویس‌های ساده به سمت عامل‌های خودمختاری است که می‌توانند یک پرونده را از مرحله دریافت مستندات (Ingestion) تا امضای نهایی مدیریت کنند.
عملکرد در بنچمارک‌ها
به گزارش unite.ai، مدل GLM-Legal در سه محور اصلی ارزیابی شده است: اجرای تسک‌های پیچیده، استدلال حقوقی تخصصی و گردش‌کارهای دنیای واقعی. عملکرد این مدل در محک Harvey LAB — که ۲۴ حوزه مختلف حقوقی را پوشش می‌دهد — نرخ موفقیت ۱۹.۲ درصدی (All-pass rate) را ثبت کرد. این عدد نشان‌دهنده بهبود ۱۲.۵ درصدی نسبت به مدل پایه است.
Z.ai تأکید می‌کند که این معیار سخت‌گیرانه (All-pass)، اجرای قابل‌اطمینانِ سرتاسری را بدون افت کیفیت در مراحل میانی تأیید می‌کند. ارزیابی‌های تکمیلی نشان داد که این مدل در تحلیل آرای قضایی، پرونده‌های ادغام و تملک (Merger filings) و قراردادهای تخصصی، با وجود بودجه پارامتری بسیار کمتر، دقتی مشابه مدل‌های پیشرو و بسته (Closed-source) دارد. همچنین در محک PLawBench که مشاوره حقوقی، پیش‌نویس اسناد و تحلیل پرونده‌های چینی را تحت معیارهای بسیار دقیق می‌سنجد، به برابری با سیستم‌های پیشرو رسید.
معماری فنی و آموزش
این مدل برای رسیدن به دقت سطح حرفه‌ای از یک خط لوله آموزشی سه مرحله‌ای استفاده می‌کند:
- میان-آموزش (Mid-training): شرکت Z.ai حجم داده‌های حقوقی باکیفیت (Corpora) را گسترش داد تا مدل بتواند چارچوب‌های تفسیری، قواعد قانونی و مفاهیم حقوقی را در بسترهای متراکم دامنه یاد بگیرد. این مرحله باعث تقویت پیوندهای استنتاجی بین واقعیات، قوانین و نتایج می‌شود.
- پس-آموزش (Post-training): مدل تحت یادگیری تقویتی در ده‌ها هزار محیط حقوقی واقع‌گرایانه قرار گرفت. در این مرحله، مدل یاد می‌گیرد که چگونه تحلیل‌ها را برنامه‌ریزی کند، گردش‌کارها را پیش ببرد و خروجی‌ها را تحت محدودیت‌های عینی تولید کند.
- حلقه بازخورد تولیدی: متخصصان حقوقی خروجی‌ها را بر اساس معیارهای مشخص ارزیابی می‌کنند: آیا تمام موارد خاص (Edge cases) بررسی شده‌اند؟ آیا استنادها از نظر قانونی صحیح هستند؟ و آیا خروجی بدون نیاز به بازبینی دستی توسط تیم‌های پایین‌دستی قابل استفاده است؟ این الزامات، کیفیت ذهنی را به سیگنال‌های مهندسی‌شده برای کاهش خطا (Loss signals) تبدیل می‌کنند.
قلب این سیستم، چارچوب ارکستراسیون Harness است؛ یک محیط زمان-اجرا (Runtime) که زمینه تسک را مدیریت کرده، بازخوردهای اجرا را مسیریابی می‌کند و مجموعه ابزارها را متصل می‌سازد. Z.ai اشاره می‌کند که مدل و این چارچوب به‌صورت هم‌گام تکامل می‌یابند؛ به گونه‌ای که موارد خاص یافت شده در زمان آموزش مدل، گلوگاه‌های معماری در Harness را شناسایی می‌کنند و اصلاحات در Harness، مدل را با محدودیت‌های واقعی اجرا، از لحظه دریافت پرامپت تا امضای نهایی، مواجه می‌سازد.
کاربردهای واقعی در AutoClaw
کاربران می‌توانند این قابلیت‌ها را از طریق پلتفرم AutoClaw به کار بگیرند. این پلتفرم یک برنامه بومی دسکتاپ است که از ویندوز ۱۰ و نسخه‌های جدیدتر، macOS (تراشه‌های Apple Silicon و Intel)، iOS و اندروید پشتیبانی می‌کند و نسخه‌های لینوکس آن نیز در دسترس است. Z.ai سه مورد کاربردی را برای نمایش ماهیت عامل‌محور این مدل ارائه کرده است:
۱. بررسی قرارداد: در بررسی یک قرارداد خدمات نرم‌افزاری، مدل پیشنهاد داد مهلت اخطار فسخ (Convenience-termination) از ۶۰ به ۳۰ روز کاهش یابد و دوره‌های اصلاح خطا (Cure periods) برای نقض تعهدات امنیت داده‌ها، محرمانگی یا مالکیت معنوی حذف شوند. همچنین مدل خواستار بازگرداندن تمام کارهای در حال پیشرفت (Work in progress) بدون توجه به وضعیت پرداخت شد و ۹۰ روز کمک به انتقال برای کد منبع و مستندات اضافه کرد. AutoClaw سپس این موارد را به‌صورت Track Changes در Word اعمال می‌کند.
۲. تحلیل ادله: در یک اختلاف نرم‌افزاری شامل ۴۰ سند، مدل یک گزارش مشتری در تاریخ ۳۰ سپتامبر را که ادعای ۶۰ درصد پیشرفت داشت، شناسایی کرد و آن را در مقابل یک هشدار داخلی در ۸ سپتامبر و یک اسنپ‌شات قرار داد که تنها ۴۱ درصد پیشرفت را نشان می‌داد. مدل این تناقض را به دستور مدیرعامل برای پنهان کردن ریسک‌ها و ادامه صدور فاکتورها پیوند داد و با استناد به بخش‌های ۲ و ۵ قرارداد خدمات اصلی، از تئوری «پنهان‌کاری» حمایت کرد.
۳. تحقیق انطباق: برای وب‌سایتی که در سنگاپور، مالزی و اندونزی راه‌اندازی می‌شد، مدل لیستی از اولویت‌ها شامل اطلاعیه‌های حریم خصوصی به زبان‌های انگلیسی و اندونزیایی و رضایت‌نامه (Opt-in) برای تحلیل‌های غیرضروری تهیه کرد. همچنین مدل فروشندگان را به مقاصد داده‌ها متصل کرد و مراجع قانونی مربوط به قوانین حفاظت از داده‌های شخصی در اندونزی، مالزی و سنگاپور را ارائه نمود.
برای جامعه فنی، این تحول به معنای حرکت از مدل‌های زبانی بزرگ (LLM) عمومی به سمت بودجه‌های پارامتری «کم‌حجم‌تر» است که از طریق آموزش تخصصی میان-دوره، مدل‌های پیشرو را شکست می‌دهند. تمرکز بر معیار All-pass به‌جای دقت متوسط، مستقیماً مشکل افت کیفیت در زنجیره‌های طولانی عامل‌محور را هدف قرار داده است.
دفاتر حقوقی، تیم‌های داخلی و وکلا به صورت مستقل اکنون می‌توانند برای دسترسی به API بتا درخواست دهند. پلتفرم AutoClaw با بیش از ۵۰ مهارت داخلی و قابلیت جابه‌جایی بین مدل‌های GLM و DeepSeek، این کاربرد را گسترش داده است. این پلتفرم با پیام‌رسان‌هایی مثل واتس‌اپ، تلگرام، دیسکورد و Lark ادغام شده است و به کاربران اجازه می‌دهد تسک‌های حقوقی را مستقیماً در محیط چت‌ها تعریف کنند.
گام بعدی شما
- اگر در حوزه حقوقی فعالیت می‌کنید، برای دسترسی به API بتا درخواست دهید تا نرخ خطای زنجیره‌ای مدل‌های خود را بسنجید.
- قابلیت‌های AutoClaw را در مدیریت اسناد چندگانه برای شناسایی تناقضات (Conflict Detection) آزمایش کنید.
- مدل‌های کم‌حجم اما تخصصی را در استراتژی استقرار مدل‌های خود جایگزین مدل‌های عمومی و گران‌قیمت کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو