依意思最接近的 30 筆
法律 AI 公司 LegalOn 通過在 GPT-6 Luna、GPT-6.1 Sol 和 GPT-6 Astra 之間按任務複雜度選型，把 Codex 的預估日成本降低約 65%，同時保持開發速度。此前開發者可無限使用 GPT-5.5 的 Fast 模式，公司隨後預設限制 Fast 模式，並按部門、小組和個人設定月度用量與預算上限。輕量任務交給 Luna 寫程式碼，Sol 負責常規設計、資料分析與文件，Astra 處理架構設計等複雜判斷；
Legora 正在用 OpenAI 模型、ChatGPT 和 Codex 建置面向法律工作的 agentic 作業系統。OpenAI 展示的用法包括加速法律工作流、擴充套件合同分析，並讓律師把精力放在更高價值的工作上。該方案把模型與工具接入法律業務流程，應用場景包括合同分析，並覆蓋日常法律工作流提效。OpenAI 以案例形式說明 Legora 如何將 ChatGPT 和 Codex 用於具體法律任務。
Legora 正在用 OpenAI 模型、ChatGPT 和 Codex 建置面向法律工作的 agentic 作業系統。OpenAI 展示的用法包括加速法律工作流、擴充套件合同分析，並讓律師把精力放在更高價值的工作上。該方案把模型與工具接入法律業務流程，應用場景包括合同分析，並覆蓋日常法律工作流提效。OpenAI 以案例形式說明 Legora 如何將 ChatGPT 和 Codex 用於具體法律任務。
AT&T 正與 OpenAI 合作，讓內部法務團隊 LegalEdge 更容易獲取法律知識，並重新設計法律需求的受理（intake）流程、把法律判斷規模化。官方未披露所用模型、部署規模與時間表，僅說明這是對法務工作方式的重思。
智譜推出法律專用開源模型 GLM-Legal，在 Vals AI 法律測評中以 19.2% 的任務全通過率和 86.23% 的準確率拿下 Harvey LAB 與 LegalBench 雙榜開放權重模型第一。它基於 GLM-5.3-Flash 訓練，適配中文法律實務，能處理合同審查、證據梳理和東南亞跨境合規，官方演示中可給出終止條款修改方案與交接清單。目前開放律所、法律科技公司與法務團隊申請 Beta，並計劃將相關能力接入 AutoClaw。
Anthropic 的 Claude 官方帳號宣布為法律工作推出 Artifacts，並附上 claude.com 上題為 Introducing artifacts for legal work 的介紹文章。該公告僅有標題與連結，未披露具體功能形態、可用範圍、上線時間與是否面向全部訂閱方案，細節需檢視原文。
基於 GLM-5.3-Flash 打造的法律智慧體模型 GLM-Legal 公布評測結果：在覆蓋 24 個執業領域的 Harvey LAB 真實律所工作流嚴格全通過評分下取得 19.2%，比基座模型提升 12.5 個百分點，並在 LegalBench 與中文 PLawBench 上以更小的引數規模追平頂級閉源前沿模型。訓練上採用中期訓練加高效後訓練，讓 Harness 與模型協同迭代，並把生產端反饋轉化為訓練訊號。
ML4Good 與 EquiStamp 於 2026 年 9 月在英國東薩塞克斯舉辦了首屆歐洲前沿 AI 與法律研討會，為期五天，面向來自 12 個司法管轄區的 19 名資深法律、治理與風險專業人士。課程覆蓋從訓練、評估到 agent 與防護措施的前沿 AI 全流程，並對應採購、風險評估及供應商安全宣告失效等實際工作場景。參與者包括律所與內部律師、隱私合規人員、風險與金融顧問、法律學者及司法和公共部門代表。
GLM-Legal 正式發布，基於 GLM-5.3-Flash 建置，官方稱其在主流法律基準上可對標前沿模型。該模型面向合同審查、證據分析、合規等真實法律工作流，技術部落格已同步上線。API 訪問需提交申請，另可通過 AutoClaw 先行試用。
Anthropic 上線面向法律工作的即用型 artifacts，並在法律畫廊中提供六類别範本。包括引用核查、跨州與跨國法規對比矩陣、案件看板、合同條款偏離看板、法規時間線和合同條款表格化審閱，每項自帶範例，輸出附來源連結。團隊可接入自有 playbook 與資料來源，並與同事、客戶共享，共享設定支援團隊間倫理隔離。
Mistral AI 官方帳號宣布，Mistral Large 4 在 Harvey 的 Legal Agent Benchmark（LAB）中位列開源模型第一。該推文以「金球獎·法律組」的說法公布這一排名，LAB 是面向法律場景智慧體能力的評測基準。原文未給出具體分數、參評模型數量與評測細節。
一項覆蓋美國經濟的基準地圖研究顯示，90% 的美國工作時間花在現有 AI 基準幾乎未覆蓋的任務上。研究把美國勞工部 O*NET 的 923 個職業、18797 項任務與篩選出的 29 個基準做對映，只有 208 個職業、924 項任務被至少 5 條基準提示覆蓋，22 個職業大類中有 6 類完全空白。覆蓋分佈並不隨機，偏向高工資、大勞動力市場：同樣被判定易受 AI 影響的律師任務覆蓋充分，法律秘書、法庭書記員的任務卻幾乎沒有對應基準。
面向律所的法律研究平台 CaseCite 以原始碼可用方式發布，採用 Elastic License 2.0，可用 Docker Compose 自託管。它把研究問答、合同審閱與紅線對比、長文起草、法官分析等八項工具放在同一個文件庫上，文件、向量索引與聊天記錄都存在自有伺服器；
美國雜誌 Current Affairs 通過新的工會合同，實施出版業最嚴格的反 AI 政策：不刊登任何 AI 生成的文字，也不用 AI 生成插畫作為配圖。主編 Nathan J. Robinson 稱此舉是為抵制媒體用 AI 批次生產「內容」、以極低成本替換寫作者，並援引 Futurism 報導稱創意產業四年間流失逾 20 萬個崗位。他也承認無法保證 AI 投稿完全不會混入，但會保持警惕。
律所 Sullivan & Cromwell 與 OpenAI 合作開發了合同審查工具 Agreement Analyzer，可對照律所先例與談判 playbook 審查合同草案，輸出備忘錄與修訂建議。該工具由合夥人 John Savva 最初用 Codex 做成單使用者概念驗證，後與 OpenAI 合作提升輸出品質、引入並行處理並支援多名律師同時使用。
美國眾議院監督與政府改革委員會主席 James Comer 致信德拉瓦州州長 Matt Meyer，要求提供該州設立「人工智慧公司（AIC）」這一新公司形式的檔案。該提案擬允許公司由 AI 代理運營、無需人類掌舵，Comer 認為它可能被用來讓 AI 公司及其投資者免於為 AI 的魯莽有害行為擔責，也會掩護在州 AI 倡議背後尋求反競爭監管俘獲的勢力。
Surge AI 發布 DAYJOB: Tax，用 50 個專業稅務任務評測 AI agent，Claude Sonnet 5.5 以 10.8% 的 pass@1 通過率排在第一，Claude Fable 5.1 與 Claude Opus 5.5 分別為 9.6% 和 9.2%。任務覆蓋個人與家庭、小企業、合夥、房產投資、信託遺產、國際稅務等八個領域，通過標準是至少滿足 95% 的評分細則。
一篇部落格文章提出，軟體工程師可能一直屬於藍領技術工種而非白領：兩者的本質都是製造或修理東西，只是開發者面對的是位元而非原子。作者認為這一誤判部分加劇了開發者當前的 AI 身份焦慮，因為歷史上藍領工人更能消化技術變革，白領反而受衝擊最大。文章還稱，開發者享受了約 30 年被當作明星的高薪與話語權，如今如同紡織工面對織布機、伐木工面對電鋸，需要學會使用新工具繼續謀生，手工活雖難再賺錢但仍可出於興趣保留。
亞馬遜工程領導層在一份關於 AI 時代開發者角色的內部更新中提出，如果現有 AI 工具無法讓某項工作受益，這應當被看作一個發現，而非失敗。撰寫該更新的 Terk Terkowitz 建議工程師記錄下 AI 具體在哪些環節幫不上忙，與同行社群分享、同步給主管，並共同尋找解決辦法。他表示，能說清 AI 目前無法幫助自己工作的工程師，正展現了公司期望的判斷力。
美國創意產業過去四年流失超過 20 萬個崗位，近一年約 5 萬個，AI 造成多少仍難量化。影視與錄音業損失逾 10 萬個崗位、接近該行業三分之一，寫作出版減少逾 7 萬；數字藝術各子行業普遍裁員，而線下娛樂仍在增長。作者指出，媒體公司對 AI 使用諱莫如深，好萊塢整合、內容外包等影響也難以剝離。
軟體工程學者 Diomidis Spinellis 在部落格中判斷，AI 將接管大部分認知工作，思考會像狩獵、書法和木工一樣，從謀生手段變成休閒愛好。他給出三個驅動因素：效能更高、成本更低、可用性更高，並提到 OpenAI 內部模型已解決數百個此前未解的數學問題。文中還提到到 2030 年數萬億美元的資料中心投資將帶來更多算力，政府可能以監管和稅收限制 AI，但歷史上的類似舉措未能阻止技術革命；他建議保持靈活、跟上進展，並在工作之外建立有意義的生活。
加州民主黨參議員 Adam Schiff 在 Decoder 播客中稱，白宮讓多家 AI 公司簽署的自願安全承諾遠遠不夠，他支援設立新的專門機構來監管 AI。他提到，這些公司私下都公開呼籲監管，只是在總統面前不願得罪人；最高法院推翻 Chevron 先例後，法院取代機構專家解釋模糊法律，新規很容易立刻陷入訴訟。
阿波羅全球管理首席經濟學家 Torsten Slok 稱，AI 對科技行業以外的美國大企業帶來「零財務回報」。他考察剔除 Alphabet、Amazon、Apple、Meta、Microsoft、Nvidia、Tesla 後的標普 493 成分股，發現其利潤率與人均營收基本持平，沒有證據顯示 AI 提升了生產率。Slok 認為企業很難把日益廉價的智慧轉化為更高的營收與利潤率，因為商業中的智慧更多是判斷力；近期多項研究也未發現 AI 帶來顯著生產力增益。
在 Criteo 任職的初級工程師 Elise Baturone 認為，AI 不會讓軟體工程師消失，真正的風險是資深工程師消失、所有人永遠停在 Junior 階段。她把自己的 agent 調教成導師，用蘇格拉底式提問做理解檢查，並把「提問」和「review」當成需要自己練的技能：追問 agent 解釋設計選擇、引用來源、論證可疑方案，常能讓它自己發現錯誤。她承認這更費 token，但先弄懂再上線更省事；
有人做了一款工具，追蹤 AI 行業領袖在影片中的公開表態，並展示他們觀點隨時間的變化。目前收錄了 Dario Amodei（累計 54 條）、Alex Karp（51 條）、Marc Andreessen（49 條）、Sam Altman（45 條）、Palmer Luckey（40 條）、Satya Nadella（23 條）、Elon Musk（21 條）、Yann LeCun（6 條）等人，頁面同時標註本週新增條數，例如 Alexandr Wang 本週有 5 條。
Anthropic 與經濟學家聯合調查顯示，91% 的 Anthropic 員工認為 AI 到 2030 年能做出諾獎級發現，美國成年人中這一比例為 39%。員工預期 AI 屆時能完成自己 75% 的工作，美國工人平均為 28%；在使用 AI 的工作任務中，員工預期 2030 年有 65% 交由 AI 完成，美國成年人預期為 42%。
OpenAI 新平台發布系列首篇隨筆《永恆的互補》，作者為 Hemanth Asirvatham 與 Elliott Mokski，文末註明觀點不代表 OpenAI。文章引用 Nick Bloom 等研究：維持摩爾定律所需研究人員數量是 1970 年代初的 18 倍以上，1930 年代以來全經濟有效研究投入增長 23 倍，而研究生產率下降 41 倍。作者據此提出「制度智慧」概念，認為前沿智慧與執行能力互為補充，超級智慧的價值可能更多體現在重複性執行工作上。
OpenAI 公布與 AI 合同平台 Ironclad 的研究合作，GPT-6 Astra 成為首個用 Ironclad 任務訓練的前沿模型。雙方與 Ironclad 使用者共同定義了 11 項法律、商務與採購任務，如搭建保密協議、採購審批流程和可複用條款，每項任務熟練使用者約需 30 到 40 分鐘，評估標準為 8 到 50 條。
Meta 調整了面向商業帳戶的服務條款，刪去看似允許其用新聞網站內容訓練 AI 的表述，但法律專家認為這未能解決核心問題。新條款將於 10 月 30 日生效，原文曾寫明 Meta「可能使用任何……」。康奈爾法學院數字與資訊法教授 James Grimmelmann 指出，改動沒有限制「與你的產品或服務相關聯」這一措辭，Meta 仍可抓取整個站點。
Artificial Analysis 將模型智慧指數升級到 v5.0，評測集換成 9 項新基準。Knowledge Work、Coding、Science、General 四類各佔 25%，單項權重最高為 15%，分別是 AA-Briefcase v1.1、FrontierCode 2.0、Terminal-Bench-Science 0.1 和 AA-Omniscience v1.1；