HYBRID MIND · LEGAL AGENT · INTERACTIVE EXPLAINER
GLM-Legal: เกณฑ์ย่อยผ่านมาก
ไม่ได้แปลว่างานทั้งชิ้นผ่าน
โมเดลเฉพาะทางจาก zAI ทำให้คำถามเรื่อง Agent กฎหมายกลับมาเป็นกระแส แต่หลักฐานที่น่าสนใจกว่าอันดับ คือช่องว่างระหว่าง 92.5% ของเกณฑ์ย่อย กับ 19.17% ของคะแนนผ่านทั้งงาน
เกิดอะไรขึ้น และควรเข้าใจแค่ไหน?
Quick Answer: วันที่ 12 ตุลาคม 2026 zAI ประกาศ GLM-Legal ซึ่งต่อยอด GLM-5.3-Flash ด้วยการฝึกเฉพาะงานกฎหมายและพัฒนาโมเดลร่วมกับ Harness หรือระบบจัดบริบท–เครื่องมือ–ขั้นตอนทำงาน ผลประเมินจาก Vals บน Harvey Legal Agent Benchmark (LAB) ให้คะแนนผ่านทั้งงาน 19.17% โดยเฉลี่ยผลจากผู้ตรวจ LLM สองโมเดล ไม่ใช่สัดส่วนงานที่ผู้ตรวจทั้งคู่เห็นตรงกันว่าผ่าน
นี่เป็นความก้าวหน้าในชุดทดสอบ ไม่ใช่ใบรับรองให้ AI ทำคดีแทนทนาย ประกาศยังให้สมัคร API Beta และใช้ถ้อยคำว่าความสามารถใน AutoClaw จะตามมา ไม่ควรอ่านว่าเปิดใช้งานทั่วไปครบแล้ว ประกาศ zAI · ผล Vals
ณ รอบคัดข่าว 13 ตุลาคม เรื่องนี้อยู่ลำดับ 2 บนหน้า Hacker News ที่เห็น 550 คะแนนและ 313 ความเห็น ตัวเลขนี้บอกว่าคนสนใจ ไม่ได้บอกว่าคำกล่าวทางเทคนิคถูกต้อง ทุกคะแนนต่อจากนี้จึงต้องกลับไปอ่านวิธีวัด ชุมชนที่ตรวจ
สิ่งใหม่อยู่ที่ “โมเดล + ระบบทำงาน”
การตอบคำถามกฎหมายกับการส่งมอบงานกฎหมายเป็นคนละปัญหา Agent ต้องหาไฟล์ที่เกี่ยวข้อง เชื่อมข้อเท็จจริงกับคำสั่งงาน ใช้เครื่องมือทำเอกสาร และส่งไฟล์ที่คนตรวจต่อได้ คำตอบที่ดูดีแต่ไม่มีชิ้นงานตามคำสั่งยังไม่ใช่งานเสร็จ
ฝึกพื้นฐานเฉพาะทาง
zAI ระบุว่าเพิ่มข้อมูลกฎหมายในช่วง mid-training เพื่อเสริมการอ่านข้อเท็จจริงและโครงเหตุผล ยังไม่มีรายละเอียดข้อมูลฝึกครบพอให้เราตรวจสิทธิ์หรือทำซ้ำเอง
ฝึกการลงมือเป็นลำดับ
ผู้พัฒนาอธิบาย post-training ที่ปรับโมเดลกับ Harness ร่วมกัน ระบบจัดบริบทและผลย้อนกลับจึงเป็นส่วนของคำกล่าว ไม่ใช่แค่น้ำหนักโมเดลล้วน ๆ
ตรวจชิ้นงาน
ความครบของข้อเท็จจริง แหล่งอ้างอิง รูปแบบ และคำสั่งงานต้องอยู่ในเกณฑ์ตรวจ การบอกว่ามี feedback loop ไม่ใช่หลักฐานว่าโมเดลเรียนรู้สดจากทุกคดีโดยอัตโนมัติ
ส่วนการฝึกข้างต้นเป็นคำอธิบายผู้พัฒนา ไม่ใช่ผล ablation อิสระที่แยกได้ว่าคะแนนเพิ่มจากส่วนใด อ่าน ต้นฉบับ และบริบท โครงงานแบบ client matter ของ Harvey
3D Lab: ขาดหนึ่งชั้น แล้วงานไปถึงไหน?
ลองสลับกรณีหรือเลือกชั้นในฉาก แล้วสังเกตว่าความสัมพันธ์กับ “งานรอตรวจ” เปลี่ยนอย่างไร ภาพสามมิติแบบ CSS perspective นี้เป็นแบบจำลองการส่งต่องาน ไม่ใช่ mesh ของผลิตภัณฑ์หรือ Agent ที่กำลังทำคดีจริง
เอกสาร → บริบท → โมเดล → ไฟล์ → รอผู้ตรวจและคนทบทวน
เลือกชั้นเพื่ออ่านบทบาท ไม่ใช่สั่ง Agent จริง
Hybrid Mind Video Lab: เดินตามงานเอกสาร
ฉาก Visual Studio ใหม่เฉพาะข่าวนี้ เรนเดอร์แนวคิด 2.5D แยกจากฉากมิติด้านบนและการทดลองคะแนนด้านล่าง เลือกโหนดเพื่ออ่านสิ่งที่ต้องตรวจ
GLM-Legal: งานเอกสารต้องผ่านอะไรบ้าง
ฉากแนวคิด2.5DจากResearchBrief ไม่ใช่AutoClawRuntimeหรือคำแนะนำกฎหมาย
เอกสารต้นทาง
Harvey LABให้Agentอ่านแฟ้มที่เกี่ยวข้องกับงานก่อนสร้างชิ้นงาน ต้องเชื่อมข้อเท็จจริงกับแหล่ง ไม่ใช่เติมจากความมั่นใจ
แยกข้อเท็จจริงจากข้ออนุมาน
อ่านข้อมูลทั้งหมดแบบข้อความ
- เอกสารต้นทาง — Harvey LABให้Agentอ่านแฟ้มที่เกี่ยวข้องกับงานก่อนสร้างชิ้นงาน ต้องเชื่อมข้อเท็จจริงกับแหล่ง ไม่ใช่เติมจากความมั่นใจ ตรวจรับ: แยกข้อเท็จจริงจากข้ออนุมาน
- บริบทและ Harness — zAIอธิบายการฝึกโมเดลกับHarnessร่วมกัน ส่วนระบบจัดบริบท เครื่องมือ และผลย้อนกลับเป็นคำกล่าวผู้พัฒนา ไม่ใช่ผลablationอิสระ ตรวจรับ: ระบบทำงานไม่ใช่ตัวโมเดลล้วน
- ชิ้นงานที่ตรวจได้ — งานหลายขั้นต้องส่งไฟล์ตามคำสั่ง เช่นDOCXที่เห็นtracked changesได้ ปัญหาอ่านไฟล์อาจทำให้ผู้ตรวจไม่เห็นสิ่งที่Agentทำ ตรวจรับ: คำตอบที่สวยไม่แทนไฟล์ครบ
- เกณฑ์ย่อยและ All-pass — ValsรายงานGLM-Legal19.17%คะแนนผ่านทั้งงานเฉลี่ยผู้ตรวจสองโมเดล แต่ละผู้ตรวจต้องเห็นทุกเกณฑ์ผ่านก่อนให้ผ่านงาน ไม่ใช่19.17%ที่ทั้งคู่เห็นตรงกัน ตรวจรับ: เกณฑ์ย่อย92.5%ไม่ใช่งานทั้งชิ้น92.5%
- คนทบทวนและสิทธิ์ส่งงาน — การผ่านrubricของLLMไม่ใช่ใบอนุญาตส่งเอกสารคดี ไม่มีผลกฎหมายไทยที่ตรวจยืนยันในแหล่งนี้ ต้องตรวจข้อมูล บริบทกฎหมาย และข้อตกลงบริการจริง ตรวจรับ: ฉากนี้ไม่เรียกAgentจริงและไม่ส่งเอกสาร
คำกล่าวผู้พัฒนา กับผลที่ Vals ตรวจ
| หลักฐาน | สิ่งที่เห็น | ขอบเขต |
|---|---|---|
| Harvey LAB · Vals | GLM-Legal 19.17% อันดับ 7 จาก 79 โมเดลใน snapshot | คะแนนผ่านทั้งงานเฉลี่ยสองผู้ตรวจ บน held-out และ Harness ที่ระบุ ไม่ใช่อัตราชนะคดี ต้นฉบับ |
| ฐานเปรียบเทียบในตารางเดียวกัน | GLM-5.3-Flash 6.67% ผลต่าง 12.50 จุดเปอร์เซ็นต์ | สอดคล้องคำกล่าว zAI ที่เพิ่ม 12.5 จุด ไม่ใช่เพิ่ม 12.5% แบบสัมพัทธ์ และไม่แยกเหตุของการเพิ่มได้ ตาราง Vals |
| เกณฑ์ย่อยใน Harvey LAB | 92.5% | คะแนนคนละระดับกับ all-pass ไม่ใช่ความแม่นยำของคำแนะนำกฎหมายทั้งหมด Criteria vs task |
| LegalBench · Vals | ประมาณ 86.2% | โจทย์เหตุผลทางกฎหมาย คนละชุดและเกณฑ์กับงานหลายไฟล์ หน้า model card แสดง 86.23/86.24 ต่างกันเล็กน้อย จึงใช้ค่าปัด ผลโมเดล · บริบทชุดทดสอบ |
Vals ระบุว่ารัน Harvey LAB ในสภาพแวดล้อมเดียวกับโปรโตคอลของ Harvey โดยปิดอินเทอร์เน็ต มีเครื่องมือ Read File, Edit File, Write File, Glob, Bash และ Grep พร้อมทักษะทำ DOCX/PPTX/XLSX ผู้ตรวจคือ GPT-5.5 กับ Claude Sonnet 4.6 แต่ละตัวต้องเห็นทุกเกณฑ์ของงานผ่านจึงให้ผ่านงาน แล้วจึงเฉลี่ยคะแนนของสองผู้ตรวจ จึงห้ามแปล 19.17% ว่า “ทั้งสองผู้ตรวจเห็นตรงกันว่าผ่าน” วิธีรันจริง
เอกสารและ โค้ดให้คะแนนที่อ่าน แสดงหลัก all-pass ชัดเจน แต่เราไม่ได้รันชุดทดสอบซ้ำ และ commit ของโค้ดที่อ่านไม่ใช่หลักฐานว่า Vals ใช้ commit นั้นทุกประการ ปัญหาอ่าน tracked changes ใน DOCX ที่ Vals บันทึกว่าแก้แล้ว ยังย้ำว่าการอ่านไฟล์และ Harness มีผลต่อสิ่งที่ผู้ตรวจมองเห็น ไม่ใช่มีเพียงคำตอบจากโมเดล
ความไม่แน่นอนยังอยู่
หน้า Vals แสดง 19.17 ± 3.25 โดยรายงาน error bars ตามกรอบ standard error ไม่ใช่ช่วงความเชื่อมั่น 95% และไม่ครอบคลุมการเปลี่ยนทุก prompt, seed หรือสภาพใช้งาน จำนวนงาน held-out และ revision ของการรันแต่ละงานยังไม่ชัดพอจากหน้าที่อ่านให้เราทำซ้ำครบ อย่านำจำนวนงานในคลัง public มาเป็นตัวหารแทน วิธีรายงานความไม่แน่นอน
Visual Interactive: ข้อที่ผ่านเท่ากัน ทำไมผ่านงานไม่เท่ากัน?
ตัวอย่างสมมติ 4 งาน งานละ 5 เกณฑ์ ไม่ใช่ผลของ GLM-Legal ให้สลับตำแหน่งข้อที่ไม่ผ่าน หรือกดช่องใดช่องหนึ่ง เปรียบเทียบจำนวนเกณฑ์ย่อยกับจำนวนงานที่ผ่านทุกข้อ นี่ใช้ผู้ตรวจสมมติคนเดียวเพื่ออธิบายกฎ ไม่จำลองผู้ตรวจสองโมเดลของ Vals
ตัวอย่างเริ่มต้น: เกณฑ์ผ่าน 16/20 (80%) · งานผ่านทุกข้อ 0/4 (0%)
ข้อผิดพลาดกระจาย จึงไม่มีงานใดผ่านครบ
เลขใน Lab มาจากการนับช่องสมมติ ไม่ใช่คะแนนความปลอดภัย ประสิทธิภาพ หรือความสามารถจริงของโมเดล
การนับนี้ชี้ให้เห็นว่าการกระจายข้อผิดพลาดมีความหมาย โดยไม่ต้องสมมติว่าแต่ละเกณฑ์เป็นอิสระต่อกัน ไม่ควรใช้สูตรยกกำลังจากเปอร์เซ็นต์ย่อยไปทาย all-pass จริงโดยไม่มีข้อมูลความสัมพันธ์ของข้อผิดพลาด
ใครได้ประโยชน์ และต้องระวังอะไร?
ทีมกฎหมาย: ประโยชน์ที่ควรสำรวจคือการเตรียมร่างและจัดหลักฐานให้ตรวจต่อได้ ไม่ใช่เพิ่มอำนาจให้ AI ส่งงานถึงลูกค้าหรือหน่วยงานเอง ความครบตาม rubric ไม่รับประกันความถูกต้องของกฎหมายล่าสุดหรือความเหมาะสมกับข้อเท็จจริงจริง
ผู้พัฒนา Agent: ผลนี้สนับสนุนการวัดทั้งชิ้นงาน แยกการอ่านเอกสาร การจัดบริบท และการส่งมอบออกจากความรู้ของโมเดล แต่เป็นข้ออนุมานเชิงออกแบบ ไม่ใช่ข้อพิสูจน์ว่าการใส่ Harness แบบเดียวกันจะเพิ่มคะแนนให้ทุกโมเดล ดูต่อ Loop Engineering และ หลักฐานกับงานที่ดูเหมือนเสร็จ
ธุรกิจและข้อมูล: ก่อนให้บริการอ่านเอกสารคดี ควรแยกเงื่อนไข Chat, API และ AutoClaw ให้ชัด นโยบาย zAI ที่อ่านแยกผู้ใช้ทั่วไปออกจาก API DPA; DPA ระบุว่าประมวลผลเนื้อหาเข้า–ออก API แบบ real-time โดยไม่เก็บเนื้อหานั้น แต่ยังมีข้อกำหนดข้อมูลประเภทอื่นและการประมวลผลโดยทั่วไปในสิงคโปร์ นี่คือคำระบุในนโยบาย ไม่ใช่ผล audit หรือใบรับรองว่า GLM-Legal Beta ทุกเส้นทางเป็นไปตามนั้น ต้องตรวจข้อตกลงที่ใช้จริง สิทธิ์ส่งข้อมูล และผู้รับผิดชอบการทบทวน นโยบายและ API DPA
เราไม่ส่งเอกสารจริง ไม่สมัคร Beta ไม่ติดตั้ง AutoClaw และไม่ทดสอบคำแนะนำทางกฎหมาย แหล่งที่อ่านยังไม่แสดงผลตรวจคดีไทย จึงไม่สรุปว่าคะแนนนี้ใช้แทนการประเมินภาษาไทย กฎหมายไทย หรือระบบงานขององค์กรได้
สิ่งที่ควรจับตา
- รายละเอียด API Beta, การเปิด AutoClaw และเงื่อนไขข้อมูลเฉพาะบริการ
- ไฟล์น้ำหนักและสิทธิ์ใช้งาน GLM-Legal ที่ตรวจได้จริง — ป้าย open weights ใน Vals ยังไม่ใช่ไฟล์หรือ license ของรุ่นนี้
- บันทึกการรัน เงื่อนไข Harness และงาน held-out ที่ช่วยตรวจผลซ้ำ
- ผลประเมินข้ามภาษา ข้ามเขตอำนาจ และการทบทวนโดยผู้เชี่ยวชาญจริง
สรุป: GLM-Legal เป็นข่าว Legal Agent ที่มีทั้งคำกล่าวผู้พัฒนาและผลประเมินภายนอก แต่บทเรียนหลักคือ “ผ่านข้อย่อย” กับ “ส่งมอบทั้งงาน” ต้องวัดแยกกัน คะแนนไม่ใช่สิทธิ์ให้ระบบลงมือแทนคน
คำถามที่พบบ่อย
19.17% คือ AI ตอบกฎหมายถูกแค่เท่านี้หรือ?
ไม่ใช่ เป็นคะแนนผ่านทั้งงานตามทุกเกณฑ์ของ Harvey LAB เฉลี่ยจากผู้ตรวจ LLM สองโมเดล ไม่ใช่เปอร์เซ็นต์คำตอบถูกทั้งหมดหรืออัตราชนะคดี
92.5% กับ 19.17% ขัดกันหรือไม่?
ไม่ขัด ตัวแรกเป็นระดับเกณฑ์ย่อย อีกตัวเป็นระดับงานที่ต้องผ่านครบ การกระจายข้อที่ไม่ผ่านทำให้ผลระดับงานต่างกันได้
เปิดให้ใช้ทั่วไปแล้วหรือ?
ประกาศให้สมัคร API Beta และบอกว่า GLM-Legal จะมาสู่ AutoClaw ไม่ยืนยันว่าทุกบัญชีใช้ได้หรือเปิด GA แล้ว
ใช้ทำคดีไทยแทนทนายได้ไหม?
หลักฐานที่อ่านยังไม่รองรับข้อสรุปนั้น บทความนี้อธิบายงานวิจัยและการวัดผล ไม่ใช่คำแนะนำกฎหมายหรือการรับรองผลใช้งาน
Lab เรียกโมเดลหรือเก็บเอกสารหรือไม่?
ไม่เรียกโมเดล ไม่รับเอกสาร และไม่ส่งข้อมูลออกไป เป็นการเปลี่ยนฉากกับนับช่องสมมติในเบราว์เซอร์เท่านั้น
ใส่ความเห็น