Gemini 3.8 Flash：Vals AI Harvey 法律 Agent 基准复测

一句话结论

在 Vals AI 的 Harvey's Legal Agent Benchmark v1 held-out test set 上，Gemini 3.8 Flash 的严格 Task Pass Rate 为 10.00% ± 2.42%，59 个系统中排名第 11；页面同时显示 Criteria Pass Rate 为 90.19% ± 0.36%。它能通过大部分单项标准，但只有少数任务做到全部标准通过，不能把 10% 解读为通用法律能力或可直接交付的法律准确率。

任务集与适用范围

• 任务对象：使用文件和工具完成法律工作，而不是回答孤立的法律问答；输入可包含文档、表格、演示文稿和文件系统材料。

• 数据切分：页面说明当前有 public set 与 held-out test set；本页结果来自 held-out set。页面的 fallback 辅助说明以 120 tasks 为分母，本文将其记录为当前运行的任务规模，但页面正文未逐项公开任务清单。

• 覆盖范围：页面图表提供 24 个 task types，可见类别包括 Intellectual Property、Corporate M&A、Data Privacy/Cybersecurity、Banking Finance、Capital Markets、Corporate Governance、International Trade Sanctions、Real Estate 和 Energy/Natural Resources 等。

• 适合观察：长链路文件检索、跨材料综合、法律分析和 review-ready work product 的端到端任务完成度。

• 不适合外推：中文法律语境、开放网络法律检索、任意自建 Agent、单轮问答、真实客户交付或律师执业结论。

方法与工具

Vals AI 说明其采用 Harvey 的生成与评分协议，并在关闭互联网访问的环境中运行。每个任务要求 Agent 对任务专属标准产出法律工作；页面记录的共享 Agent harness 包括：

• 工具（6 个）：Read File、Edit File、Write File、Glob、Bash、Grep。

• 技能（3 个）：docx、pptx、xlsx。

• 评分：两名 LLM judge 分别计算 task pass rate；只有该任务的 100% criteria 全部通过才算任务通过，最终分数是两名 judge task pass rate 的平均值。

• 评审器：GPT 5.5（medium reasoning）与 Claude Sonnet 4.6（未修改）。

• 基础设施：Vals AI 使用其 model library 和 Valkyrie Agent benchmark framework；页面称这些是基础设施变更，不改变模型性能口径。

Gemini 3.8 Flash 页面参数

页面内嵌结果数据给出的运行参数为：Google provider、temperature 1、reasoning effort high、max output tokens 65,536；top_p 与模型专属 harness 未报告。页面没有披露 Gemini 的 API snapshot、system prompt、随机种子、重试策略或完整调用日志。

结果数据

页面同一 Overall 表中的相邻结果为：Kimi K3 10.83%（第 9 名）、Qwen 3.8 Max 10.42%（第 10 名）、Claude Opus 4.8 9.58%（第 12 名）、Gemini 3.7 Flash 8.75%（第 13 名）。这是同一页面快照的相对位置，不代表差异已达到统计显著性。

结论

1. 标准级通过率高，任务级完成率低：90.19% 的 criteria pass rate 与 10.00% 的 all-pass task rate 之间存在明显落差；漏掉一个必要标准就无法获得整题通过，因此不能用前者替代端到端任务成功率。

2. 排名只对该实验口径成立：第 11/59 是 Vals AI held-out set、六工具、三技能、双评审器和页面参数组合下的名次，不是 Gemini 3.8 Flash 在所有法律基准中的总排名。

3. 工具使用是成绩组成部分：文件格式处理、Bash/Read File 等调用和技能说明共同构成 Agent 环境；脱离该 harness 的裸模型请求不应直接套用 10.00%。

局限与复现边界

• 私有任务不可完全复现：held-out set 的逐题输入、材料、rubric 和 Gemini 逐题输出没有在页面公开；120 tasks 只能从页面辅助说明看到，不能据此重建题集。

• 严格 all-pass 不是部分正确率：一项 criteria 失败会使整题不通过；10.00% 不等于只有 10% 的法律内容正确。

• 参数仍不完整：页面给出 provider、temperature、reasoning effort 和 max output tokens，但未给出 API snapshot、prompt、top_p 具体值、seed、重试/失败处理和模型专属 harness。

• 无互联网条件限制外推：该运行关闭互联网访问，结果更接近封闭 client-matter 文件工作，不覆盖在线法律检索或实时法规更新。

• 动态快照：页面标注 UPDATED 9/5/2026；模型列表、价格、耗时、排名和任务数据可能继续变化，本文数字仅对应 2026-09-08 采集快照。

• 评审器误差：最终分数是 GPT 5.5 与 Claude Sonnet 4.6 两名 LLM judge 的平均，页面未提供 Gemini 的逐 judge 分数或人工复核差异。

复现建议

1. 固定 Harvey LAB v1 的同一 held-out/public split、120 tasks 分母、任务材料、rubric 和停止条件；若只能访问 public set，应单独标为公开集实验。

2. 固定 google/gemini-3.8-flash、Google provider、temperature 1、reasoning effort high、max output tokens 65,536，并记录实际 API snapshot、top_p、prompt、重试和失败处理。

3. 使用同样的六工具、docx/pptx/xlsx 技能与无互联网环境，保留每次调用轨迹和最终文件。

4. 用 GPT 5.5 medium 与未修改的 Claude Sonnet 4.6 分别按二值 criteria 评分，报告两名 judge 的 task pass rate、criteria pass rate 和平均值；不要把 Criteria Pass Rate 当作 All-Pass。

原始证据与数据

• Vals AI Harvey's Legal Agent Benchmark 原始页面：https://www.vals.ai/benchmarks/hlab。页面显示 v1、UPDATED 9/5/2026、held-out test set、59 个系统、6 个工具、3 个技能、双 LLM judge 和关闭互联网的运行条件。

• 同页 Overall 结果表内，google/gemini-3.8-flash 为 10.00% ± 2.42%、第 11/59、$3.656207/test、1760.877 秒；页面内嵌 Criteria Pass Rate 数据为 90.187% ± 0.358%，本文按展示精度四舍五入。

来源摘录或观察（仅做合规短引）

Vals AI 将该基准概括为测试 Agent “complete legal work using documents, spreadsheets, presentations, and file-system tools”。这准确限定了本文结论：测的是带文件与工具的端到端法律 Agent 任务，不是通用法律问答。