Hvorfor Harvey byggede Tenet på Kinas Kimi K3 i stedet for at leje AI-modeller

Sådan blev Tenet trænet

Tenet er ikke en ny, bredt anvendelig grundmodel, der er trænet fra grunden. Det er en specialiseret model, der tager udgangspunkt i en eksisterende model med åbne vægte – ifølge rapporteringen Moonshot AIs Kimi K3 – og derefter er blevet trænet yderligere til juridisk ræsonnement.

Det rapporterede træningsmateriale bestod blandt andet af:

• offentligt tilgængeligt juridisk materiale;
• syntetiske juridiske opgaver og simulerede tvister;
• fiktive sagsakter og kontraktscenarier; samt
• eksempler, der blev udarbejdet, gennemgået eller bedømt af jurister og andre juridiske eksperter.

Det sidste punkt er centralt. Juridisk ekspertise handler ikke kun om at kende mange dokumenter. Den handler også om at vurdere, om en fortolkning, en forhandlingsstrategi eller en analyse i flere trin faktisk holder.

Når jurister opstiller scenarier og bedømmer modellens svar, får Harvey trænings- og evalueringsdata, der i højere grad afspejler kvalitetskravene i det juridiske arbejde, som kunderne ønsker automatiseret.

Hvad siger Harvey om Tenets resultater?

Harvey beskriver Tenet som en model med præstationer på “frontier-niveau” i fremtrædende juridiske benchmarks og siger, at den klarer sig på niveau med førende generelle modeller på de relevante opgaver.

I en teknisk opdatering oplyser virksomheden, at Tenet løste næsten dobbelt så mange opgaver i den tilbageholdte del af Legal Agent Benchmark som grundmodellen Kimi K3. På LAB Contracts løste den 20 procent flere opgaver. Harvey rapporterede samtidig en stigning i andelen af opgaver, der blev bestået fuldt ud, på 9 procentpoint i LAB og 2 procentpoint i LAB Contracts.

En separat meddelelse fra virksomheden fremstiller forbedringerne som relative stigninger på henholdsvis 82 procent i LAB og 22 procent i LAB Contracts. Heri hedder det også, at Tenet placerede sig som nummer ét i LAB Contracts og nummer to samlet i LAB.

Tallene bør dog læses som virksomhedens benchmark-påstande – ikke som et bevis på, at Tenet generelt er mere præcis end lukkede modeller eller pålidelig i alle jurisdiktioner og juridiske sager. Det tilgængelige materiale består primært af Harveys egen meddelelse og omtale baseret på den. Der er ikke her etableret en uafhængig validering af modellens nøjagtighed i virkelige juridiske sager.

Fra modelintegrator til modelejer

Før Tenet var Harveys strategi først og fremmest baseret på selve applikationen. Virksomheden kunne tilpasse prompts, arbejdsgange og routing, mens den benyttede proprietære modeller fra eksterne leverandører. Den tilgang giver adgang til stærke systemer uden at kræve, at virksomheden selv opbygger og driver hele modelstakken.

Tenet ændrer modellens rolle i Harveys teknologi:

• Tidligere: Harvey orkestrerede eller tilpassede lukkede modeller via eksterne leverandører.
• Nu: Harvey tager udgangspunkt i offentliggjorte modelvægte, eftertræner dem til juridiske opgaver og bruger den specialiserede model i sit eget produkt.

Forskellen er ikke kun teknisk. Når Harvey har adgang til modelvægtene, får virksomheden større frihed til at tilpasse modellen efter egne data, evalueringer og produktarbejdsgange. Den kan også selv træffe flere beslutninger om infrastruktur og optimering i stedet for at betale en modelleverandør for hvert kald gennem en lukket API.

Hvad betyder eftertræning?

Eftertræning er yderligere træning, der finder sted, efter at en models brede grundtræning er afsluttet. I stedet for at lære modellen sprog og generelle evner fra bunden bruger udviklere udvalgte eksempler, ekspertfeedback, syntetiske opgaver og evalueringer af resultaterne til at forbedre bestemte færdigheder eller former for adfærd.

For Tenet var målet juridisk ræsonnement i langvarige opgaver. Ifølge Harvey blev modellen trænet og testet med en blanding af syntetiske data, offentligt juridisk materiale og data fra menneskelige eksperter. Resultaterne blev derefter målt på opgaver, som modellen ikke havde set under træningen.

For en virksomhed, der bygger AI til en bestemt branche, kan denne metode være mere effektiv end at udvikle en ny frontmodel. Grundmodellen leverer brede sproglige og ræsonnerende evner, mens eftertræningen koncentrerer indsatsen om de arbejdsgange, kunderne faktisk bruger.

Hvorfor åbne vægte kan give mere specialisering og bedre omkostningskontrol

En model med åbne vægte gør de numeriske parametre tilgængelige, så en organisation selv kan køre og ændre modellen. Det adskiller sig fra en lukket model, som kun kan tilgås via en API, der kontrolleres af leverandøren. Kimi K3s offentliggjorte vægte gav Harvey et grundlag, som virksomheden direkte kunne tilpasse til juridisk arbejde.

Den kontrol kan understøtte mere målrettet nøjagtighed. En virksomhed kan gentagne gange træne og evaluere modellen på netop de dokumenter, opgavesekvenser og kvalitetskriterier, der er vigtige i dens branche eller for dens kunder. Det betyder ikke automatisk, at modellen bliver bedre end en lukket model, men det giver større frihed til at optimere til et afgrænset produktionsscenarie.

Åbne vægte kan også ændre økonomien ved såkaldt inferens – den beregning, der foregår, hver gang modellen genererer et svar. Virksomheden kan selv vælge hardware, serveringssoftware og optimeringsteknikker i stedet for at betale en lukket modelleverandør for hvert token. Modellen er dog ikke gratis at drive: beregningskraft, hardware, ingeniørarbejde, sikkerhed og vedligeholdelse koster fortsat betydeligt.

For juridiske AI-agenter, der kan gennemgå store dokumentmængder eller arbejde i lang tid på en sag, kan en lavere pris pr. operation gøre kontinuerlige og flerleddede arbejdsgange lettere at tilbyde kommercielt. Det er den forretningslogik, der ligger bag kombinationen af en kapabel grundmodel og specialiseret eftertræning.

Hvad fortæller Harveys skifte om AI-markedet?

Harveys beslutning er et tydeligt eksempel på en bredere udvikling inden for brancheorienteret AI. Applikationsvirksomheder behøver ikke nødvendigvis konkurrere ved at træne den største generelle model. De kan i stedet differentiere sig gennem specialiserede data, ekspertfeedback, evalueringer, udformning af arbejdsgange, implementering og kundernes tillid.

Valget af Kimi K3 er også strategisk interessant. Det viser, at en vestlig virksomhed kan bruge en kinesisk model med åbne vægte som teknisk infrastruktur, selv om de førende AI-laboratorier fortsat indgår i en bred geopolitisk og kommerciel konkurrence.

Tiltrækningen er ikke et bevis på, at kinesiske modeller generelt er bedre. Pointen er snarere, at åben adgang, mulighed for tilpasning og potentielt lavere driftsomkostninger kan være vigtigere end modellens placering på generelle benchmarks, når produktet er målrettet en bestemt branche.

Forbeholdet er lige så vigtigt: Åbne vægte overfører kontrollen, men ikke alle omkostninger eller risici. Virksomhederne skal stadig have infrastrukturen til at køre modellen, kompetencerne til at evaluere den og sikkerhedsforanstaltninger til at beskytte følsomme juridiske data.

Tenet er derfor mindre et farvel til lukkede modeller end et væddemål på, at det er blevet praktisk – og strategisk værdifuldt – for softwarevirksomheder at eje en specialiseret del af deres egen modelstak.