一句话看懂：Artificial Analysis 与 Harvey 在 2026 年 10 月 8 日发布 Harvey LAB-AA v1.1，首次把幻觉检查纳入法律 Agent 评测，新指标 Hallucination-Gated All-Pass Rate 让模型排名明显洗牌，超过六成原本通过的结果含有实质性幻觉。
事件核心：发生了什么
这项评测面向真实法律 Agent 任务，模型需要完成 120 个由 Harvey 团队构建的私有法律任务，覆盖公司并购、资本市场、税务、诉讼和破产等领域。v1.1 有三处关键变化：每个交付物都要对照源文档做两阶段幻觉审计；评分改为三位 LLM 评委——GPT-6 Sol、Grok 4.7 和 Claude Opus 5.5——共同打分；新头名指标要求任务同时满足全部评分标准且不含实质性幻觉。
结果上，Grok 4.7（xhigh）以 9.4% 的 Hallucination-Gated All-Pass Rate 领先，Muse Spark 1.3（max）为 8.9%，GPT-6 Astra（max）为 8.6%，GPT-6.1 Sol（max）为 6.9%，Claude Fable 5.1（max，启用 fallback）为 6.4%，Kimi K3（max）为 5.3%，Claude Opus 5.5（max，启用 fallback）为 4.2%。
更值得注意的是排名变化：若不看幻觉门槛，Muse Spark 1.3 以 26.7% 的 All-Pass Rate 大幅领先，但其中三分之二的通过含有实质性幻觉。GPT-6 Astra 则几乎保留全部通过结果，从 All-Pass 并列第十升至新指标第三。
为什么重要
法律工作对事实准确性要求极高，交付物一旦引用虚构内容，后果可能远超普通问答错误。v1.1 把幻觉作为一票否决项，意味着评测不再只问“模型能否完成任务”，而是进一步追问“完成得是否可靠”。目前公开信息显示，超过 60% 的原本通过结果含有实质性幻觉，多个模型在计入幻觉后得分为零，这说明此前若干法律 Agent 评测可能高估了模型可交付性。
另一个信号是，三位评委分别来自不同模型家族，Artificial Analysis 表示已检查并发现自我偏好有限，再通过平均分数降低偏差。这套评测方法若被更多企业法律采购采用，可能影响 AI 供应商的竞争重心：不是只拼覆盖率和任务通过率，还要拼引用可追溯与事实一致性。
对用户/开发者/创作者的影响
对正在评估法律 AI 工具的企业来说，Hallucination-Gated All-Pass Rate 比传统通过率更有参考价值，采购时可以要求供应商在自有文档集上做类似幻觉审计，而不要只看“通过率”单项数字。对开发者，如果正在构建法律、合规、金融等高风险 Agent，v1.1 的“先判候选幻觉、再复核分类”思路可作为产品内事实校验模块的设计参考。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对使用大模型处理合同、尽调或法务材料的普通用户，这项评测提醒一件事：高通过率不代表内容可直接使用，关键结论仍应回到源文档核对。目前公开信息显示，即便表现最好的模型，端到端无幻觉通过率也仅在 9% 左右，距离无人监督的自动交付仍有明显距离。
值得关注的后续
一是 Harvey LAB-AA 后续版本是否会把风格、语气等律师看重的可用性维度纳入评分；二是其他法律 AI 或通用 Agent 评测是否跟进加入幻觉门槛，形成新的行业评测基线；三是随着模型迭代，Hallucination-Gated All-Pass Rate 是否能从个位数显著提升，以及企业是否会据此调整采购标准。
