Vals Legal Index 法律 AI 評測：按律所收入加權，第一名為何不等於每類法律都最好？
Vals Legal Index 依美國律所收入加權法律研究、文件與稅務評測。本文解釋 Wonder Full 與 Gemini 4 Argon 的成績、誤差、各法律領域差異，以及台灣團隊使用這份榜單時需要補做哪些測試。
Vals Legal Index 是把法律工作拆成不同領域，再依美國律所收入加權的 AI 評測。它想回答的，是模型在這個市場常見的工作組合中，整體表現如何。
但律所的工作不只查法條，也包含起草、審閱和處理不同種類的案件。如果只看單一問答考試，很容易把其中一種能力當成全部法律工作的代表。
Vals AI 於 2026 年 10 月 23 日發布這項指數，將既有研究、文件與稅務測試結合。它提供新的比較方式，但權重反映的是特定市場，不能直接套成每家團隊的需求。
官方榜首為 Wonder Full，Gemini 4 Argon 緊接在後，但差距仍在誤差可解釋的範圍。更重要的是，沒有任何模型在所有法律領域都領先。
對要挑選法律工作輔助工具的人，這份指數值得作為候選依據。若要處理台灣法規或自己的文件格式，仍應先測當地來源與實際任務，而非直接按總分採購。
讀懂排名之前，先了解一份法律工作的成果，究竟如何被換算成可比較的分數。
Vals Legal Index 如何把不同法律工作放在一起？
這項指數把研究、文件與稅務測試對應到法律業務領域，再按收入比重合成總分。因為不同工作量並不相同，它沒有讓每種領域都占一樣的比重。
官方方法頁使用美國二〇二二年經濟普查的律所收入。這是當年美國市場的結構資料，能描述該期間的收入比重，適用範圍與台灣的業務結構不同。
例如，商業與公司相關工作在原始收入中占百分之三十七點五，進入指數後權重為百分之四十點五。占比改變是因為部分沒有測試涵蓋的服務被排除，再對納入部分重新計算。
這個例子說明總分有一個明確選擇：較有收入的領域，會對指數有較大影響。但若某個團隊幾乎只做家庭或刑事工作，它的實際需求就不一定和總分排序一致。
因此，權重不是單純的統計背景，而是理解排名的入口。同一組能力成績，換成不同業務組合，模型的相對次序就可能改變。
對讀者而言，比起先問哪個品牌最高分，更有用的問題是「這張榜單把哪些工作看得比較重」。先回答這件事，才知道是否適合把總分放進選型流程。
三種測試各自量了什麼，分數能直接相加嗎？
指數結合三種已公開結果，但三者的評分方式不同。以下把它們的工作與分數意義放在一起，方便理解總分如何形成。
| 測試部分 | 主要工作 | 分數代表的事情 |
|---|---|---|
| 法律研究 | 查找並回答法律問題 | 問題能否通過所需條件 |
| 文件工作 | 起草與審閱法律文件 | 各項評分條件通過的比例 |
| 稅務代理 | 進行稅法相關任務 | 該測試公布的加權通過率 |
表格中的文件工作採條件通過率，因此某題完成一部分要求，可能仍得到部分分數。但研究問題使用全數通過的計分方式，兩者不能都解讀成完整案件完成率。
這也影響讀者對數字的想像。總分達到某個百分比，並不代表隨便拿一百件真實案件，就能獨立完成其中同樣數量的案件。
官方在有兩種測試涵蓋的法律領域，先取兩者的平均；只被一種涵蓋的領域，則使用該部分分數。再依收入權重組合，最後另納入稅務部分。
因此，各領域不只有權重不同，看到的能力範圍也可能不同。像是某一領域只測文件，就不應把它的高分解讀成查找該領域判例也一樣可靠。
這種透明的方法仍有價值。因為團隊能沿著總分回查它由什麼工作組成，再決定哪些資料值得借用、哪些地方要自己補測，而不是只能接受一個沒有來由的排名。
延伸閱讀：GLM-Legal 是什麼？Z.ai 法律 AI 代理的評測、AutoClaw 與試用邊界
Wonder Full 排第一，能證明穩定勝過其他模型嗎？
截至二〇二六年十月二十四日查詢，官方榜單顯示 Wonder Full 為百分之七十七點八六，Gemini 4 Argon 為七十六點七二，Wonder 為七十五點二六。這是公布當下的加權結果。
但官方也指出，領先群的差距大約在兩個標準誤內。標準誤用來描述有限測試對成績估計的不確定性，因此幾個分數點的先後順序不宜直接視為固定結論。
如果兩個模型在真實工作上的差距很小，選擇可能還取決於支援工具、費用與資料處理條件。但這些是團隊要另外評估的因素，不能從準確率欄位自動得知。
總榜的第一名並沒有在所有業務領域獲勝。這表示高分反映的是目前加權組合，並不是每一類法律問題都由同一個模型處理最好。
比較也必須固定版本。榜單有 Wonder 和 Wonder Full，兩者是不同列，不能把較高版本的結果移到另一個產品名稱上，再宣稱相同能力可以直接取得。
所以，最合理的用途是先挑出表現接近的候選，再回到自己的工作驗證。這比只追第一名更能保留判斷依據，也能避免一次小更新就重做整個選型。
不同法律領域的結果，為何比整體名次更有用？
團隊每天處理的內容，會決定應該優先看哪一類成績。若主要工作是公司文件，把家庭法研究的表現看得和日常任務一樣重，就可能失去選型重點。
官方整理中，Wonder Full 在商業、房地產、勞雇與遺產相關領域領先。Gemini 4 Argon 則在其他民事與刑事領域較高，另外也有領域由其他模型領先。
但這些分類還要連同覆蓋範圍閱讀。房地產、勞雇與遺產部分只由文件工作計分，家庭領域只由研究部分計分，因此它們測到的任務型態不同。
例如，一個模型在文件審閱取得高分，可能有助於團隊整理需要檢查的條件。但若任務改成找出最新法源與判例，仍需要另一種能力證據。
官方也提到，整體而言模型較擅長文件工作，研究問題相對困難。因此，指數中的業務比重與測試組成，會共同影響總分如何呈現強項。
這不代表應該放棄研究測試，而是提醒團隊把查找來源和撰寫成果分開驗收。因為一份寫得清楚的文件，如果前提來自錯誤法源，外觀完整仍無法補回問題。
如果工作需要引用判例，可以先檢查來源是否存在、是否適用，以及有沒有讀對原文。若工作是審閱合約，則應把必要條件是否逐項涵蓋列為另一張清單。
這樣的拆法也更容易處理錯誤。研究失準時查檢索與來源理解，文件漏項時查任務要求和審閱規則，避免每次都只用「模型不夠好」概括。
榜單費用與時間欄位，可以直接拿來報價嗎？
費用資訊有助於比較候選，但應先看它對應什麼工作。這份指數的成本與延遲，是三個組成測試列的平均，而不是律所處理一件真實案件的總支出。
例如，表中 Opus 5.5 的成本比部分候選高很多，這能提醒團隊檢查任務成本。但不同工作會讀取不同篇幅與產生不同長度，因此不能把單次測試費用直接當成每份合約的固定價格。
模型請求費不足以推算律師工時或可取代的人數。因為費用之外，還有整理材料、核對法源和覆核結果的工作，缺少這些紀錄就無法推算完整節省。
對比較而言，較有用的單位是「一份符合要求的成果」花多少資源。假設較低價模型需要反覆重做，最後的總成本未必比一次就能提供合格草稿的方案低。
時間也是相同道理。模型很快開始回答，不等於人員很快完成審核，所以團隊可以把等待模型和人工校對分欄記錄，再比較整體交付。
若只有少量文件，可先測使用者實際最常遇到的範本。若每天量大，就需要加看失敗重試和尖峰時段，因為平常的平均值可能掩蓋忙碌時的等待。
這些都是把榜單轉成採用證據的方法，不是這份指數已經替每個團隊完成的驗證。保留兩者的界線，才不會把研究結果包裝成尚未測過的營運承諾。
沒有涵蓋的服務與統計假設，會改變哪些判斷？
官方把沒有測試涵蓋的服務留在覆蓋範圍外，例如部分法律支援、文件登記、公證與調解。這讓分數的範圍比較明確，但也提醒讀者它不是完整法律市場的所有工作。
收入權重來自二〇二二年，因為經濟普查有固定周期。在新的市場結構資料公布前，指數並不會自動知道各領域的收入如何改變。
研究題目也可能被標記到多個法律領域。官方方法承認，計算時把部分領域誤差視為互相獨立，可能讓估出的誤差範圍稍窄，所以更不適合把微小差距說得太確定。
有些研究領域的標記題數較少，成績就更容易隨題目改變。這不是說數字沒有用，而是提醒團隊，越接近自己核心業務的地方，越需要補充自己的案例。
榜單同時採用不同測試的既有評分方式，因此總分的解釋也受這些定義影響。若想知道某個模型為什麼得分高，就應回看對應的子測試，而非只在總榜找一個原因。
將限制寫清楚，反而能讓結果更好用。團隊能辨認哪些結論足夠穩健、哪些只是候選訊號，再把有限的評估時間花在最影響工作成效的問題上。
台灣團隊如何建立自己的法律工作驗收？
第一步是先決定要輔助哪種工作，而不是先選模型品牌。整理資料、尋找法源、起草條款與最後法律判斷，各自需要的輸入和驗收證據不同。
如果主要使用台灣資料，就應納入台灣法規、判決格式與常用詞。因為美國法律工作的高分，只能證明受測條件中的能力，不能直接證明不同法域同樣適用。
接著，準備一組已由專業人員確認的案例。每題標出必須保留的條件、允許引用的來源與不能自行補出的資訊，讓驗收有可核對的標準。
評估研究工作時，可以把正確引用與內容理解分開記錄。有來源連結不代表原文支持結論，因此需要核對引用的段落，而不只確認網址能開。
評估文件工作時，則用明確條件逐項檢查。像是是否漏掉前提、是否改變原本意思，以及有沒有把不確定資訊寫成事實，都比文字看起來正式更重要。
同一批案例應交給各候選使用相同指示與材料。因為若一個入口額外獲得整理好的重點，另一個只拿到原始檔，結果就混入了資料準備方式的差異。
還要保留人工修正所花的時間。模型輸出很快，卻需要重新核對每句話，可能無法減少整體工作量；相反地，一份引用清楚的草稿即使稍慢，也可能更容易接手。
測完之後再討論導入範圍。可以先讓工具協助彙整與草擬，再由既有負責人覆核，而不是把一項評測結果當成授權模型自行作成所有法律決定。
什麼結果會讓原本的選擇需要改變？
如果候選在總榜較高，卻反覆漏掉團隊最重要的條件，就應降低它在該用途的優先順序。因為選型目的是改善工作，而不是讓使用中的品牌排名好看。
模型更新後，也可以重跑同一批保留案例。這樣看到分數或費用改變時，就能確認實際成果是否一起變化，不必只依供應商的新宣傳重新判斷。
對重要案例，保存原始輸入、模型版本、引用與人工修正紀錄。當後續出現問題，這些證據能協助分辨是來源過期、任務描述不足，還是模型理解有誤。
延伸閱讀：法律 AI 燒到 Anthropic：20+ MCP 連接器讓 Claude 進律所工作流，Harvey 面臨強敵
Vals Legal Index 常見問題 FAQ
Vals Legal Index 的第一名能處理所有法律工作嗎？
不能這樣推論。
它是多個受測領域的加權結果，官方也明確指出沒有模型在每個領域都領先。
這份評測能代表台灣法律表現嗎？
不能直接代表。
權重來自美國律所收入，工作與法域也有特定範圍，台灣用途應另外建立當地案例。
為什麼要看誤差範圍？
因為有限題目估出的分數有不確定性。
當候選只差少量分數點時，應結合自己的工作測試，避免把名次看得過度精確。
用業務領域縮小候選，再用自己的案例決定
這份新指數最有用的地方，是讓法律 AI 的比較可以回到工作種類和權重。先看自己處理的任務，再選候選模型，會比把整體排名當成通用答案更有依據。
下一步可閱讀官方的領域對應與方法，挑一組可覆核案例比較引用、漏項和交付成本。免費訂閱 AI 郵報，持續掌握 AI 評測與專業工作工具的更新。
