推出面向法律领域的 Astra
我们最强大的模型，被配置为法律领域的新 AI 基础。
今天，我们推出面向法律领域的 Astra：一个面向律师事务所和法律科技公司的新基础，让他们围绕自身专业知识构建 AI 产品和工作流。它将 GPT‑6 Astra——我们最新、最强大的模型——与为专业法律工作量身定制的设置、工具和上下文相结合。
包括 Harvey 和 Legora 在内的 API 客户将能够在面向法律领域的 Astra 之上进行构建，将这种智能引入他们自己的产品和工作流。随着我们的前沿模型不断进步，我们会将这些法律能力带到我们最新的模型中。
我们还在扩大隐私和治理方面的工作，为律师事务所提供针对保密客户工作的特定控制。律所还可以使用我们 26 个新的生态系统插件来定制面向法律领域的 Astra，这些插件将 ChatGPT 连接到律所已经在使用的专业工具，例如 Relativity 和 Clio。
面向法律领域的 Astra 将 GPT‑6 Astra 与强大的法律搜索索引以及用于法律分析和写作的指令相结合。它们共同增强了 Astra 在整个法律实践中的能力，同时让律所和法律科技公司可以自由构建自己的应用程序和工作流。
我们新的法律搜索索引是面向法律领域的 Astra 可以使用的工具之一。法律研究通常始于找到确切正确的权威依据、定位相关段落，并理解它们与当前情况的相关性和约束力。该索引帮助面向法律领域的 Astra 完成这项工作，并补充律所从 Thomson Reuters 等提供商处依赖的授权内容和专业产品。
通过使用法律搜索索引，面向法律领域的 Astra 可以搜索美国判例法、成文法、法规、法院规则和行政决定，覆盖超过 2.3 亿个 URL 的语料库，并且来源每日新增。我们与 Free Law Project 的合作——CourtListener 背后的非营利组织——将其涵盖超过 99.9% 已发布的美国具有先例效力的判例法（在新窗口中打开）的判例法合集带入这一研究体验。
为了衡量这种配置如何改进法律研究，我们在来自 Vals AI 法律研究基准（在新窗口中打开）私有验证集的 200 个美国法律研究问题上测试了面向法律领域的 Astra 的完整设置。该基准衡量模型找到相关来源和段落的能力，以及其研究答案满足评估标准的程度。
在两个系统都采用最高推理强度时，面向法律领域的 Astra 在 54.0% 的问题上通过了评估的整体正确性检查，而仅使用网络搜索的 GPT‑6 Astra 为 38.7%——相对提升 40%。面向法律领域的 Astra 还能生成更全面的答案。
在聚焦判例法的问题上，在最高推理强度下，面向法律领域的 Astra 比仅使用网络搜索的 GPT‑6 Astra 多找到 24% 的参考案例。在经审计的目标段落集合上，在相同推理强度下比较两个系统时，它从正确的法院意见中检索到的相关段落最多多出 54%。
其结果是，在为交易提供建议、评估争议或制定法律策略时，拥有更强大的研究基础，并提供律师可以自行审查的可靠权威依据。
面向法律领域的 Astra 和 GPT‑6 Astra 在 Vals AI 法律研究基准验证集上、不同推理强度设置下的表现。
法律研究只是第一步。针对法律分析和写作的自定义指令，指导 Astra for Law 将研究应用于客户的事实、发展论点或交易条款，并识别弱点和不确定性。这可能意味着区分法院的判决与其他意见，处理削弱论点的案例，或解释合同例外如何转移双方之间的风险。
例如，当被提示识别具有相似事实模式的良好法律时，Astra for Law 能够比其他前沿模型更好地定位相关先例并匹配事实模式：
提示
我们的客户签署了一份为期五年的协议，为一家零售商生产自有品牌产品，此前被告知该零售商的类似供应商历史上平均年订单约为 800 万美元。合同约定零售商每年购买 200 万美元，并将额外订单留由其自行决定。在签署前，我们的客户知道零售商正在修订其在供应商之间分配订单的方式。订单仅略高于最低限额。内部记录显示历史平均值要低得多。零售商称我们的客户接受了最低购买量和新流程。找到最接近的事实先例，并就我们的客户的不实陈述索赔撰写一份备忘录。
Claude Fable 5.1
备忘录——针对零售商的不实陈述索赔
最接近的先例。Paragon Metals Holdings 诉 Smith，案号 N21C-12-090-SKR-CCLD（特拉华州高等法院，2025 年 8 月 13 日）。一名买方指控卖方隐瞒了两大客户将大幅削减采购量。经过法官审判后，法院驳回了欺诈索赔，认为买方未能进行充分的尽职调查，并忽视了对其索赔所依据的信息的反复披露（尽管披露方式不够巧妙）。值得注意的是，法院假设某些陈述可能不实，但仍判决卖方胜诉，因为买方无法证明合理信赖。
适用。我们最有力的事实是，“800 万美元平均值”是对历史事实的陈述，而非预测，且内部记录显然表明它是虚假的。这区别于通常的“预测不可诉”抗辩。200 万美元的最低购买量并未否认历史数字；它分配的是未来风险，而非过去事实。
我们最薄弱的事实与 Paragon 案相似：客户知道分配方法正在变化，但仍签署了协议。零售商将辩称，这一知情使得对旧平均值的信赖不合理，且最低购买量已涵盖了议价风险。协议中的反信赖或整合条款会加剧这一点。
建议。以虚假历史平均值为核心提出欺诈性诱导索赔（并备选提出过失不实陈述索赔）；收集证据证明流程变更被描述为对采购量中立。确认准据法——特拉华州在信赖问题上尤为严格。
Astra for Law
我们的客户基于虚假历史而非每年 800 万美元订单的权利，拥有可行的索赔。
最接近的类比是 Oliver Wyman, Inc. v. Eielson, 282 F. Supp. 3d 684, 700–03 (S.D.N.Y. 2017)，该案适用马萨诸塞州法律。咨询业务的卖方接受了为期四年的雇佣协议，保证薪酬为 425,000 美元，并可酌情增加，此前有陈述称合伙人平均薪酬约为 100 万美元。他们知道薪酬体系正在发生变化。法院驳回了关于历史平均薪酬的欺诈和过失虚假陈述反诉的简易判决：证据对其准确性存在争议，且合同下限与过往结果并不矛盾。
同样，零售商约 800 万美元的历史平均销售额是一项可核实的事实陈述。接受 200 万美元的最低采购量和可酌情增加的额外订单，并不必然放弃对真实历史信息的依赖。但 Oliver Wyman 案强调，没有证据表明修订后的体系会从根本上改变薪酬或使历史平均值变得无关紧要。Id. at 701–02。零售商最有力的抗辩是证明我们的客户理解分配变化将使过去的供应商销量信息失去参考价值——而不仅仅是变化已被宣布。
对于欺诈，我们的客户必须证明明知重大虚假、诱导签署的意图、实际合理依赖以及由此造成的损失。过失虚假陈述则可能基于提供商业信息时的注意义务缺失。获取与所述期间和比较组相匹配的供应商层面记录、陈述者的同期通信以及我们客户的决策记录。
在相同的提示下，Astra for Law 返回了两个高度匹配的先例；在诉讼示例中，Claude Fable 5.1 返回了一个已被上诉推翻的判决，而在交易示例中，它报告未找到此类案例。
Astra for Law 将首先通过 ChatGPT 和 Codex 中的 Trusted Access 向选定的律师事务所提供，并将很快在 API 中推出。它将在模型选择器中显示为“GPT‑6 Astra Law”，在 API 中显示为 gpt-6-astra-law。
“我们很感激能预览 Astra for Law 的早期版本，这些版本在设计时考虑了法律用例。在诉讼和交易事务中，这些模型都展示了令人印象深刻的研究深度和对权威的敏感性。即使在早期阶段，它们也感觉像是朝着专注于法律的人工智能迈出的重要一步，这种人工智能谨慎地建立在既最新又全面的研究基础之上。”
Sullivan & Cromwell
“在我们的早期测试中，Astra for Law 在法律研究的关键方面表现出色：将答案建立在切题的权威依据上，精确引用，并提供实用、咨询性的指导。”
律师事务所需要保护客户机密并控制人工智能在其业务中的使用方式。我们为符合条件的律师事务所创建了一个特殊的 Trusted Access 计划，让律师及其监督下工作的人员能够使用 Astra for Law 进行专业法律工作。对于符合条件的律所，该服务包括在我们 API 上的零数据保留 (ZDR)，并且 ChatGPT Enterprise 的使用默认不纳入人工审查。
我们还正在与人工智能治理领域的领导者 Latham & Watkins 合作，设计信息权限、道德墙、客户指示和律所监督。
凭借前沿智能和正确的控制措施，律所可以将自己的先例、方法和判断转化为按照其标准构建的人工智能工具和工作流程。
我们与精选律所合作，前沿部署工程师一直在为 ChatGPT Enterprise 适配定制界面和集成，以对接专有数据，为每家律所的工作流程打造工具：
Sullivan & Cromwell 构建了一款协议分析器，将律所的谈判策略手册和精选先例引入新交易的审查中。它帮助律师发现条款合并解读时出现的风险，然后将这些发现转化为建议的修订标记和客户建议草稿，供律师质疑和完善。Ropes & Gray 围绕其律师如何梳理数据室并判断对交易重要的事项，构建了一套交易尽职调查系统。它帮助律师将发现追溯至来源，并 pinpoint 可能影响收购的问题，例如关键客户合同是否需要通知或同意。Cooley 构建了 GO Public，将其资本市场专业知识融入公司筹备上市的过程，从起草 IPO 文件到识别值得管理层关注的风险。当交易发生变化时，它会将该变化贯穿整个文件，以便律师共同审查其影响。
律所可以用自己的团队和合作伙伴产品进行构建，并为工作定义允许的来源和审查流程。
我们很自豪能与推动法律 AI 发展的专业公司合作。今天，我们推出 26 个合作伙伴构建的插件，帮助律所更深入地利用他们已在使用的工具和知识。这些插件涵盖法律实务和业务。借助 iManage，律师可以在 ChatGPT 中起草谈判简报并保存到事项文件；Intapp 可以呈现可能需要记录时间条目的活动以供审查；DeepJudge 可以将过往交易引入比较。Thomson Reuters 正在将 HighQ 事项上下文引入 ChatGPT，并预览即将推出的 CoCounsel Legal 连接器。
此次发布包括来自 LegalQuants、LECG 和 Skills.law 的律师和法律工程师提供的 9 个社区插件，包含 47 项自定义技能，从业者可以调整、扩展或从中汲取灵感，在 ChatGPT 中完成工作。社区插件让最接近工作的人能够持续为这些技能设定标准。我们今天还正式推出 ChatGPT for Word，让律师可以在他们已依赖的起草工具中校对、获取建议编辑并标记格式问题。
我们的方法是开放且可组合的：律所可以使用专业产品，引入自己的工具和知识，并调整社区构建的技能以适应其实务。合作伙伴可以继续开发自己的应用程序和工作流程，而律所则选择如何将这些能力整合在一起。在 OpenAI 上构建应该意味着从生态系统中获得更多，而不是取代它。
OpenAI 正在长期投资法律领域。我们将继续共同推进 Astra for Law 的模型、设置、工具和指令，并以严格的评估以及律师和法律技术合作伙伴的反馈为指导。我们还将继续改进 ChatGPT，以便律所可以围绕其专业知识进行构建并连接他们使用的工具。
我们与 Wachtell, Lipton, Rosen & Katz 的合作将律所的诉讼和公司专业知识与我们的前沿研究和工程相结合，探索 AI 如何支持提供复杂法律判断所涉及的工作。
最具雄心的应用将来自执业律师以及与他们并肩构建的公司。我们致力于与这一生态系统合作，使律所能够将自身的专业知识、标准和判断力带入 AI——并以只有他们才能做到的方式服务客户。
如需探索 Astra for Law 的早期访问、将其构建到你的产品中，或围绕律所的专业知识开发工具，请联系 OpenAI。