Harvey Tenet menandakan peralihan daripada menyewa model AI kepada memiliki kecerdasan undang-undang sendiri

Secara ringkas, post-training bermaksud menambah baik model selepas latihan asasnya selesai—bukan membina model asas baharu dari awal. Untuk Tenet, Harvey berkata proses itu menggunakan data undang-undang yang tersedia secara umum, data sintetik dan data pakar manusia yang direka untuk mensimulasikan tugasan undang-undang berpanjangan.

Perbezaan ini penting. Tenet bukan model serba guna yang dibina sepenuhnya dari kosong. Sebaliknya, ia ialah versi khusus daripada model open-weight sedia ada yang dibentuk untuk tugasan seperti semakan kontrak, usaha wajar (due diligence) dan aliran kerja undang-undang kompleks yang lain.

Apakah dakwaan prestasinya?

Harvey mendakwa Tenet mencapai prestasi bertaraf terkini dalam penanda aras undang-undang LAB dan boleh digeneralisasikan kepada penanda aras undang-undang pihak ketiga. Dalam kemas kini yang diterbitkan syarikat itu, Tenet dilaporkan berjaya menyelesaikan hampir dua kali ganda tugasan LAB yang diketepikan untuk ujian berbanding Kimi K3 asas, serta 20% lebih banyak tugasan kontrak LAB. Harvey turut melaporkan peningkatan kadar all-pass masing-masing sebanyak 9 dan 2 mata peratusan.

Angka ini menunjukkan latihan semula memberikan peningkatan ketara kepada model asas dalam penilaian yang dipilih Harvey. Namun, ia tidak membuktikan secara automatik bahawa Tenet mengatasi setiap model pesaing dalam amalan undang-undang sebenar. Reka bentuk penanda aras, pemilihan tugasan, kaedah arahan, cara pemarkahan dan keadaan penggunaan boleh mempengaruhi keputusan.

Laporan yang tersedia juga menunjukkan bahawa status ketersediaan dan pelancaran Tenet belum sepenuhnya jelas ketika pengumuman dibuat. Business Insider melaporkan bahawa model itu telah diperkenalkan tetapi belum tersedia secara langsung dalam Harvey, dan syarikat berkenaan tidak menyatakan bila ia akan dilancarkan kepada pengguna. Oleh itu, ujian bebas dalam persekitaran produksi menjadi langkah penting seterusnya.

Mengapa asas Kimi K3 penting?

Pilihan Harvey terhadap Kimi K3 menarik perhatian kerana syarikat itu mempunyai hubungan rapat dengan penyedia AI Barat dan sebelum ini bekerjasama dengan OpenAI untuk membina model undang-undang yang dilatih secara khusus. Secara lebih luas, platform AI undang-undang banyak bergantung pada sistem tertutup daripada penyedia seperti OpenAI dan Anthropic. Ini bermakna mereka membayar akses serta bergantung pada jadual keluaran, harga dan infrastruktur penyedia tersebut.

Dengan menggunakan model asas open-weight, Harvey memperoleh lebih banyak kebebasan untuk mengubah suai dan melancarkan model itu. Syarikat tersebut boleh menentukan cara latihan semula dilakukan, mengoptimumkannya untuk beban kerja tertentu dan memilih model paling sesuai bagi pelbagai jenis tugasan undang-undang.

Sebagai balasan, Harvey perlu memikul lebih banyak tanggungjawab terhadap infrastruktur, keselamatan, penilaian, penyelenggaraan dan operasi model—kos yang biasanya ditanggung oleh penyedia luar apabila syarikat hanya menggunakan API mereka.

Pilihan ini turut menggambarkan perubahan pragmatik dalam pembangunan AI. Asal negara sesebuah model mungkin kurang menentukan bagi pengguna komersial apabila model open-weight menawarkan asas yang kukuh, boleh diubah suai secara sah dan teknikal, serta memberikan ekonomi penggunaan yang menarik. Namun, persoalan tentang sumber data, keselamatan, tadbir urus dan penerimaan pelanggan tetap penting dalam proses penilaian model perusahaan.

Kes perniagaan untuk memiliki lebih banyak lapisan teknologi

Bagi platform undang-undang yang mengendalikan aliran kerja profesional bernilai tinggi, kos model boleh memberi kesan terus kepada margin dan reka bentuk produk. API model termaju pihak ketiga biasanya mengenakan bayaran berdasarkan penggunaan. Maka, kos meningkat apabila pelanggan memproses dokumen panjang, menjalankan lebih banyak langkah ejen atau meminta tugasan penaakulan yang mengambil masa. Model dalaman boleh membolehkan Harvey menghalakan tugasan yang sesuai melalui infrastruktur yang dikawalnya sendiri, tanpa menghantar setiap permintaan kepada model pihak ketiga.

Model open-weight tidak menjadikan inferens percuma. Harvey masih memerlukan kapasiti pengkomputeran, penyediaan data, kawalan kualiti, sistem keselamatan dan jurutera untuk menyelenggara model itu. Namun, syarikat tersebut berkata proses latihan semula turut menggalakkan penggunaan alat dan penaakulan yang lebih cekap, sekali gus berpotensi mengurangkan jumlah token yang digunakan ketika inferens.

Ini mewujudkan pembahagian tugas yang berpotensi menguntungkan: model umum yang mahal boleh digunakan untuk persoalan paling sukar atau terbuka, manakala model khusus mengendalikan kerja undang-undang berulang dan bervolume tinggi pada kos operasi yang lebih rendah.

Sama ada strategi ini benar-benar menghasilkan ekonomi yang lebih baik bergantung pada ketepatan, kependaman, kadar penggunaan dan keperluan infrastruktur Tenet—bukan sekadar harga berat model asasnya.

Apa yang berubah pada strategi produk Harvey?

Harvey meletakkan dirinya sebagai platform AI khusus untuk firma guaman dan pasukan perkhidmatan profesional. Laman web syarikat itu menyatakan bahawa lebih 2,400 organisasi undang-undang menggunakan platform tersebut, dengan penggunaan merangkumi firma guaman dan jabatan undang-undang dalaman perusahaan.

Asas pelanggan ini memberi Harvey sebab untuk mengawal lebih banyak teknologi di sebalik produk yang digunakan pelanggan. Organisasi undang-undang memerlukan tingkah laku model yang konsisten, keselamatan, kebolehkesanan dan prestasi yang stabil untuk kerja seperti analisis kontrak, usaha wajar, pematuhan dan litigasi.

Tenet berpotensi menjadi asas kepada platform yang lebih bersepadu, apabila Harvey mengawal model, penyelarasan ejen, konteks sesuatu urusan dan aliran kerja khusus secara serentak. Ia juga boleh memudahkan penyesuaian pada masa hadapan sekiranya syarikat itu membenarkan pelanggan membentuk model berdasarkan pengetahuan institusi masing-masing. Kemungkinan tersebut pernah dilaporkan, tetapi wajar dianggap sebagai hala tuju masa depan, bukan keupayaan yang telah disahkan ketika pelancaran.

Pengajaran lebih besar untuk AI menegak

Implikasi terpenting Tenet mungkin bersifat strategik, bukan teknikal: syarikat AI khusus industri tidak semestinya perlu melatih model termaju dari awal untuk memperoleh kawalan bermakna terhadap produknya.

Syarikat AI menegak boleh menggabungkan empat aset utama:

• model umum open-weight sebagai titik permulaan;
• data khusus domain atau data yang dihasilkan pakar;
• latihan semula yang disasarkan kepada aliran kerja industri; dan
• kawalan pada peringkat produk untuk ejen, konteks, penilaian dan pelancaran.

Pendekatan ini boleh mewujudkan kelebihan tersendiri tanpa memerlukan modal dan infrastruktur sebesar yang diperlukan untuk bersaing secara langsung dengan pembangun model asas terbesar. Namun, syarikat aplikasi juga perlu membuktikan kebolehpercayaan, melindungi data sensitif, memantau kegagalan dan menunjukkan bahawa peningkatan dalam penanda aras benar-benar membawa manfaat dalam pekerjaan sebenar.

Bagi Harvey, Tenet ialah pelancaran model dan juga ujian integrasi menegak. Syarikat itu mempertaruhkan kepakaran undang-undang serta data aliran kerja untuk mengubah model open-weight menjadi sistem yang bernilai secara komersial—di samping memperoleh kawalan lebih besar terhadap kos dan prestasi produk. Bukti setakat ini menyokong perubahan strategi tersebut, tetapi sejauh mana kelebihannya dalam amalan hanya akan diketahui melalui penilaian bebas dan prestasi Tenet dalam kerja undang-undang sebenar.