夜雨聆风7月刚放出来的一张榜，最好看的数字不是90%多，而是14.2%。
这事为什么有冲击力？因为这次考的不是“你懂不懂法条”，而是“你能不能像律所新人一样，把活完整干出来”。一句模糊指令、一个塞满文件的资料室、最后交一份能直接进deal team的正式文档，少一条关键点就算整题作废。Harvey给这套题起名 LAB，5月6日公开，首版就做到了超过1200个任务、覆盖24个执业领域，评分还是最狠的 all-pass：不是大部分对，而是一条不落才算过。
我说实话，这套玩法一出来，味道就完全不一样了。
以前很多法律AI测试，本质上还是“单题问答”。你问它一条合同、一段判例、一个违约点，它答得像那么回事，看起来就挺强。LAB直接把题目升级成真实工作流：自己找材料、自己判断哪些文件有用、自己起草交付件。这一下，AI是不是“会背书”，立刻变成AI能不能“把活干完”。
这一点很关键。
Harvey 5月26日先公布过一版内部初始成绩，已经不太好看：当时 Claude Opus 4.7 全通过率只有 7.1%，Sonnet 4.6 是 5.4%，GPT-5.5 只有 2.1%。Harvey自己当时就把话说透了：前沿模型离真正完成完整法律工作，还差得远。
真正把这件事砸实的，是7月7日 Artificial Analysis 的独立复现。它拿 Harvey 私有的 120 道任务子集，用自己的 Stirrup 框架重跑，还把一些条件收得更严：文件名匹配更严格，工具链也更简化。结果第一名 Claude Fable 5 也只拿到 14.2%，第二名 Claude Opus 4.8 和 GLM-5.2 并列 7.5%，MiniMax-M3 6.7%，Claude Sonnet 5 5.0%。
这机器有点东西。
最值得看的一刀，其实不是谁第一，而是“单项通过”和“整题通过”的断层。头部模型单条评分标准的通过率普遍都过了90%，听着已经像优等生；可一旦要求整份 memo、整份清单、整份报告每一项都不出错，通过率就直接掉到10%出头。28个参赛模型里，有13个是0分，一整道题都没完整拿下。
说白了，AI现在最像的不是资深律师，而是那种“每句都懂，整活容易漏”的高智商实习生。
这也解释了一个很多圈外人容易误会的点：为什么平时用着挺聪明，一到真业务就不稳。因为真实工作不是答一道题，而是几十个小判断串起来，中间还要检索、引用、格式、日期、金额、附件名全部对上。你单点能力有90分，不代表端到端交付也有90分。法律场景尤其这样，差一条，整单重做。
而且这套榜单还顺手把另一个趋势捅破了：系统设计开始比单纯堆模型更重要。Harvey自己在初始结果里就提到，那些会先通读材料、写完再验证、发现问题真会改稿的模型，分数明显更高。Fireworks后面做的切片实验也很有代表性：让便宜模型干大部分活，只在关键节点叫贵模型来把关，成本压到 Opus 单跑的四成左右，题还多过了几道。
所以我个人的判断很明确：法律AI的拐点不是“某个模型突然神了”，而是评测终于从演示视频，走到了真实工位。这个方向我很看好。因为一旦有了这种公开、严格、可复现的 benchmark，行业就能月月盯着进步，而不是听厂商讲故事。
当然，14.2%也别小看。Harvey 5月内部最强还是 7.1%，到7月独立榜首已经翻到 14.2%；Harvey后来还披露，Fable 5 在其自家 LAB 上能到 13.3%，Opus 4.8 也已经摸到 10.4%。这说明端到端知识工作虽然远没解完，但进步速度是真快。
所以这篇的结论，我给得很直接：如果你把AI当“副驾驶”，它已经能干不少活；但你要把它当“签字交件的人”，现在还早。法律AI最真实的状态，不是取代律师，而是先把律师的底稿时间，狠狠干下来。
别急着下结论，真正的赛点，才刚开始。
⚠️ 文中数据与排名整理自网络公开信息，可能会随版本更新变化，最终仍以官方发布和实际结果为准。