BigLaw Bench
Harvey 法律实务任务评测（初级律师真实工作）
基本信息
30 秒看懂
Harvey 的法律实务评测（对应律师真实计费工作），分数=「完成了多少比例的律师级工作成果」（0–100%，越高越好），错误与幻觉倒扣分；完整数据集不公开，一般看官方/厂商披露的榜单数字。
采用格局：Anthropic Opus 4.6/4.7 引用；Harvey 发布
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 2 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
2026
2026-04-16
Anthropic·国际
本发布含 2 个变体，各变体规格见模型详情。
Anthropic 将 Claude Opus 4.7 定位为在高级软件工程上较 Opus 4.6 显著提升、最难任务上增益尤为明显的旗舰模型，同时大幅增强视觉分辨率；这也是首个按 Project Glasswing 分级防护方案发布的模型。已收录评测覆盖智能体编码与终端、长上下文检索、计算机操作、网络安全与多学科推理等领域，SWE-bench Verified 87.6、GPQA Diamond 94.2。
智能体编码高分辨率视觉推理档位控制分级网络安全防护
查看模型变体与证据
Claude Opus 4.7 · BigLaw Bench 90.9%
2026-02-05
Anthropic·国际
上下文1M（beta）价格$10/$37.5 每百万 tokens · 发布文给出的 premium 1M 上下文（beta）档定价；标准档定价发布文未给出模态文本·图像
Claude Opus 4.6 是 Anthropic 的旗舰模型，引入多档推理努力（low/medium/high/max）、自适应思考、上下文压缩与 1M 上下文 beta。评测覆盖代理编码/工具/搜索、法律与多语言问答：SWE-bench Verified 80.8、GPQA Diamond 91.3、ARC-AGI-2 68.8、BrowseComp 84.0。
长上下文推理努力分级代理工具调用多模态
查看模型变体与证据
BigLaw Bench 90.2%
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。