OpenAI 推出 Astra for Law 模型在法律評測取得領先成效

文章摘要

OpenAI 更新 Astra for Law 模型,在 Harvey LAB-AA 法律評測中以 20.8% 的全額得分率位居第一,領先 GPT-6.2 Astra 的 15.0% 及 Muse Wonder Full 的 13.1%。該模型架構結合 GPT-6.2 Astra 與擴展後的法律搜尋索引,相較於非 OpenAI 模型 Muse Wonder Full,Astra for Law 的全額得分頻率提升約 59%,且每項任務平均輸出 6.4 萬個 Token,較競爭對手減少 54% 的輸出量,有助於法律團隊控制成本。同時,在 Vals AI 的法律研究基準測試中,回答通過率由 46% 提升至 53.8%。OpenAI 已開放所有 ChatGPT Enterprise 客戶透過信任存取計畫申請使用該模型,包含 API 存取權。該模型專為處理法律任務設計,透過指令引導研究問題、權衡權威性並撰寫解答,不僅顯著降低幻覺率,在處理如庭審大綱起草、商業租賃審閱及併購所有權變更等 24 個法律領域的 120 項任務中均表現優異。此更新基於 OpenAI 近兩個月內的快速研發,不僅擴展了超過三分之一的法律搜尋索引,亦強化了整體的法律推理能力,旨在將更高效的智慧工具提供予專業法律人士使用,並確保在符合預算的前提下完成複雜的法律工作。

AI 大叔解析

【核心判斷】
專業垂直領域的 AI 競賽,勝負關鍵不再只是比參數量,而是「檢索架構+專用指令」的系統整合度。OpenAI 這次更新的 Astra for Law 實質上不是全新底座,而是將 GPT-6.2 Astra 綁定擴展逾三分之一的法律搜尋索引,並灌入權衡權威與研究寫作的專屬指令。在 Harvey LAB-AA 評測中,該模型以 20.8% 的全額得分率(full credit)拿下第一,相較於非 OpenAI 陣營最高分的 Muse Wonder Full(13.1%)提升約 59%,同時也領先原生 GPT-6.2 Astra 的 15.0%。這項成績證明了在高度依賴精準資料來源的場景下,單純依賴通用大模型的推理能力已無法拉開差距,必須靠專門建置的外部索引與提示架構來填補落地鴻溝。

【毒舌吐槽】
看到公關稿吹得震天響,說穿了也就是在考卷上剛拿到「20.8 分」就急著開香檳。在 120 項跨 24 個法律領域的長流程測試中,有將近八成任務根本拿不到滿分;即便在 Vals AI 基準測試中,通過率也僅是從 46% 推進到 53.8%,相當於丟個硬幣還有一半機會通不過檢驗。更有趣的是競品對照組,Muse Wonder Full 解一個任務得噴掉 13.9 萬個 Token,Astra for Law 雖然降到 6.4 萬個,但在專業律師眼裡,這不叫突破性智慧,這叫終於學會不要講那麼多廢話來掩飾邏輯破綻。

【為什麼重要?】
這項更新對實際維運最顯著的實務影響在於「推理成本的壓制」與「關鍵錯誤率的收斂」。在長文本生成與多步驟推理場景下,Astra for Law 每項任務輸出約 64,000 個 Token,比起 Muse Wonder Full 的 139,000 個 Token 減少了 54%,這對於以 API 用量計費的企業而言,是直接砍半的推論成本差距。

另一方面,法律科技最致命的罩門是幻覺(即模型自行捏造無依據的事實)。在 Harvey LAB-AA 評測的實質幻覺(material hallucinations)指標上,Astra for Law 平均每任務僅 0.03 次(次要幻覺為 0.06 次),與 GPT-6 並列最低;相比之下,Claude Opus 5.5 的實質幻覺高達 0.59 次(次要幻覺 0.51 次),差距達近 20 倍。更關鍵的是,Astra for Law 在所有完全通過檢驗的滿分任務中達成了零實質幻覺。OpenAI 目前已開放 ChatGPT Enterprise 用戶透過信任存取計畫申請 API 權限,這意味著垂直整合的法律 Agent 架構,正在加速從實驗室基準測試走向商用合規工作流。

【影響對象與建議】
- 企業法務與合規主管:現階段全額得分率僅 20.8%,切勿直接將模型串接至終端自動決策,僅能作為初稿草擬與檢索輔助,所有產出必須維持人工雙重審核。
- 法律科技軟體架構師:應優先評估整合擴展索引後的 API 成本效益,利用其單次任務 6.4 萬 Token 的精簡輸出優勢,重新設計長文本推理的管線架構。

想更了解這個話題?