2026年11月17日,OpenAI正式向所有ChatGPT Enterprise企业客户开放法律专用配置Astra for Law(含API接口申请),底层挂载最新旗舰模型GPT-6.2 Astra,并捆绑了扩大超三分之一的专用法律搜索索引与办案指令。账面战绩相当唬人,它在涵盖24个法律领域、120项复杂任务的Harvey LAB-AA测试中以20.8%的满分率排名第一,单任务平均输出64,000个Token,比非OpenAI阵营最高分模型Muse Wonder Full(139,000个Token)少消耗54%的Token;实质性幻觉率低至0.03次/任务,比非OpenAI模型中表现最好的Claude Opus 5.5(0.59次/任务)大降95%。
但如果把OpenAI报喜的通稿和第三方独立榜单放在一起对账,这顶冠军帽子的成色就得重新掂量。在前一天(11月16日)揭晓的Vals AI法律研究基准测试中,被OpenAI称为顶尖表现者的Astra for Law,凭借53.85%的满分率在榜单上实际仅排第6,输给了拿到55.77%的第1名Google Gemini 4 Carbon;而在考察联邦案件诉状撰写的LAB: USCL测试里,一旦裁判给双方提供原案律师引用的相同先例,Astra for Law(1,883分)与Claude Opus 5.5(1,882分)之间仅差1分。这组反差戳破了一个行业幻觉,OpenAI此次确立的优势并非底座推理能力的断层碾压,而是把每日更新的美国判例检索库直接焊进了模型配置里。
拆开第一名的成绩单,真正拉开差距的是内置检索库
先把几家主力模型在三大核心法律基准上的硬数据摊开对比。

| 评测维度与核心指标 | Astra for Law | GPT-6.2 Astra | Claude Opus 5.5 | 外部榜首参照 |
|---|---|---|---|---|
| LAB-AA 满分通关率 | 20.8%(第1) | 15.0%(第2) | 未进前3 | 13.1%(Muse Wonder Full) |
| LAB-AA 实质性幻觉/任务 | 0.03次 | 0.06次 | 0.59次 | 0.03次(与GPT-6并列最低) |
| LAB: USCL 诉状(自主检索) | 1,844分 | 未单列 | 1,817分 | Astra 领先 27 分 |
| LAB: USCL 诉状(给定先例) | 1,883分 | 未单列 | 1,882分 | 双方几乎打平 |
| Vals AI 法律研究满分率 | 53.85%(第6) | 未单列 | 未进前5 | 55.77%(Gemini 4 Carbon) |
看懂这张表,关键在LAB: USCL诉状测试的两次分叉表现。由Harvey与Grubel联合开发的这项测试,要求模型在真实美国联邦案件提交诉状前介入。当模型必须自己大海捞针寻找相关判例时,Astra for Law以1,844分压过Claude Opus 5.5的1,817分,也击败了Gemini 4 Argon;可一旦测试方把现成的案卷记录和先例喂给模型,只考逻辑组织与文书写作,两家的分数瞬间咬死在1,883与1,882。
单纯比拼法律文书的推理与落笔,头部大模型已经拉不开代差。Astra for Law真正甩开对手的筹码,是自9月向Cooley、Ropes & Gray及Sullivan & Cromwell等大所小范围测试以来,工程团队往里硬塞的内置检索索引。不到两个月时间,这个专用索引库扩充了34%,新增超8000万个URL,总规模突破3.1亿个URL,不仅每日更新美国判例、成文法、法院规则与行政裁决,覆盖超99.9%的已公布美国先例判例法,还顺带纳入了英国、澳大利亚和加拿大的部分法域材料。
另一笔精明的工程账算在Token消耗上。在Artificial Analysis使用Stirrup代理框架独立运行的LAB-AA v1.1评测中(由GPT-6 Sol、Grok 4.7和Claude Opus 5.5三个裁判模型交叉打分并做两阶段幻觉检查),Astra for Law把单任务平均输出压到了64,000个Token,还不到Muse Wonder Full(139,000个Token)的一半。对按API调用量付费的律所和企业法务部而言,砍掉一半的废话推理链,往往就决定了项目是留在预算内还是直接爆表。
步骤分拿到90.9%,为什么通关率依然卡在两成到五成
再看第二个反常数据。在Vals AI包含208道美国联邦与州法律私有题目的测试中(每题限时3小时,可调用5种工具,由GPT-5.4担任评分裁判),如果计入步骤分(加权部分得分),Astra for Law其实拿到了90.9%的步骤分;在LAB-AA测试中,它不仅将实质性幻觉压到0.03次/任务、轻微幻觉压到0.06次/任务(远低于Claude Opus 5.5的0.59次实质性幻觉与0.51次轻微幻觉),而且在所有满足通关标准的任务里做到了零实质性幻觉。

既然步骤分高达九成、幻觉也几近清零,为什么它的Vals完全通过率只有53.8%(虽比9月的46%提升了近8个百分点,仍有一半题目未拿满分),到了模拟真实办案全流程的LAB-AA更是只有20.8%(在Harvey自有的另一套LAB测试中也仅为16.2%)?
《韩非子》有云,千丈之堤,以蝼蚁之穴溃。这句话放在法律交付物上再贴切不过。普通商业文案拿90分就能直接交差,但法律尽职调查、商业租约审查、并购股权设计或庭审质证提纲,天生受制于零容错木桶。一份诉状里只要漏掉一个关键管辖权抗辩点,或者对某条先例的适用范围做了轻微越界解读,哪怕其余九成篇幅引经据典毫无破绽,整份作业在严苛的全通过标准下就是零分,到了法庭上就是抗辩失利。
九成步骤分换不来一次免检签字,法律交付从来没有及格线,只有零容错。
一线执业律师的冷淡反应也印证了这一点。在法律从业者社区的讨论中,不到两成的复杂任务全通率,意味着初级律师和合伙人依然要耗费极高的人工成本去逐条复核。何况OpenAI高调宣称的99.9%覆盖率,针对的仅仅是美国已公布先例(published precedential case law)。实务中大量影响基层法官自由裁量权的未公布裁决(unpublished decisions)、地方法院文书以及非英美法系材料,依然存在覆盖盲区。即便判例已经躺进那3.1亿个URL里,模型在具体案情中能不能精准捞出最新权威解释而不被旧判例带偏,同样没人敢打保票。
向上抢数据库的钱,向下把执业雷区留给律所合伙人
把视野从跑分榜拉回商业牌局,OpenAI这次更新最狠的一刀,砍向了法律科技赛道的中间商。

过去三年,法律AI的版图泾渭分明。OpenAI和Anthropic坐在上游卖通用算力底座,汤森路透旗下的Westlaw、LexisNexis守着百年积累的法规数据库收过路费,而估值高企的明星独角兽Harvey则夹在中间,靠给律所搭建专用工作流和外部检索增强(RAG)赚取高额溢价。
如今OpenAI亲自下场维护每日更新的3.1亿URL法律索引,并把办案指令封装成gpt-6.2-astra-law通过API直接卖给企业客户。这幕戏码像极了早年微软把浏览器和中间件直接塞进Windows操作系统,也应了春秋时晋国假途灭虢的典故。最尴尬的莫过于Harvey,它一边出题帮OpenAI联合开发LAB-AA与LAB: USCL基准测试,给Astra for Law抬轿子颁冠军奖杯;另一边却要眼睁睁看着OpenAI带着官方内置判例库开放API,直接抽空第三方壳应用赖以生存的检索与工作流护城河。
更老练的算计藏在准入门槛里。虽然OpenAI宣布向所有ChatGPT Enterprise客户开放申请,但企业要想真正用上Astra for Law,工作区管理员必须先验证企业身份、签署专门的《法律技术与信任附加协议》(Legal Technology and Trust Addendum)并等待人工审批;条款里死死卡住一条红线,严禁非专业人士独立调用,仅允许持牌律师及其直接监督下的人员使用,且官方帮助文档明确要求用户将模型给出的引文视为调查线索而非已验证事实。
我更在意的是这道合规高墙背后的利益切割。在欧美司法体系中,向公众直接输出具体法律意见极易触发无照执业(UPL)的监管铁拳,一次捏造引文更会引发天价执业索赔。OpenAI既想往上吃掉Westlaw和Harvey的垂直行业高毛利,又绝不肯为那无法彻底清零的0.03次幻觉买单。通过一纸严苛的B2B信任附加协议,OpenAI顺理成章地转嫁执业风险,把大模型定义为律师手里的内部效率工具,把核查引文真伪和庭审签字背锅的千钧重担,原封不动地留给了律所的人类合伙人。
- 建议.律所与法务团队评估采购时,重点测算其节省54% Token的短推理链能否替代现有初筛工作流与外部包装工具,而非指望它直接产出免检终稿。
- 风险.99.9%的已公布美国先例覆盖率不包含大量未公布裁决与基层法院文书,处理非美法域或疑难基层诉讼时切勿盲信其内置索引。
当基础模型大厂开始把行业数据库焊进底座,接下来真正决定法律科技牌局走向的,不再是哪家模型跑分多赢了两个百分点,而是头部律所会不会在下个财年拿着Astra for Law的API账单,去砍掉第三方法律AI壳应用与传统检索巨头的采购预算。
