Mengapa Harvey Memilih Kimi K3 dari China untuk Membina Tenet, Bukan Menyewa Model AI

Harvey membina Harvey Tenet kerana berdepan dua keperluan praktikal: AI undang-undangnya perlu lebih cekap mengendalikan tugasan yang berlangsung selama berjam-jam atau berhari-hari, dan syarikat itu mahu mengawal kos serta tingkah laku model yang digunakan dalam produknya. Daripada melatih model asas baharu dari awal, Harvey mengambil model open-weight Kimi K3 milik Moonshot AI dan menjalani latihan pasca menggunakan data undang-undang serta maklum balas peguam.

Masalah yang cuba diselesaikan Harvey

Banyak kerja undang-undang bukan sekadar soal jawab ringkas. Semakan kontrak, usaha wajar, analisis bukti dan sokongan litigasi memerlukan AI mengekalkan konteks, membuat keputusan dalam beberapa langkah serta meneliti sejumlah besar dokumen. Tenet direka untuk aliran kerja ejen yang lebih panjang—iaitu tugasan yang mungkin mengambil masa berjam-jam atau berhari-hari, bukannya beberapa saat.

Terdapat juga alasan ekonomi. Sebelum ini, Harvey bergantung pada model asas pihak ketiga dan mengarahkan tugasan berbeza kepada sistem daripada penyedia seperti Anthropic, OpenAI dan Google. Dengan memiliki model khusus sendiri, Harvey mendapat lebih banyak ruang untuk meningkatkan prestasi pada kerja terasnya dan mengurangkan kebergantungan pada API model luaran.

Bagaimana Tenet dilatih

Tenet bukan model asas serba guna baharu yang dilatih dari kosong. Ia ialah model khusus yang dibangunkan daripada model open-weight sedia ada—yang dilaporkan sebagai Kimi K3 daripada Moonshot AI—kemudian diberi latihan tambahan untuk penaakulan undang-undang.

Proses latihan yang dilaporkan menggabungkan:

• bahan undang-undang yang tersedia untuk umum;
• tugasan undang-undang sintetik dan pertikaian simulasi;
• fail kes rekaan serta senario kontrak; dan
• contoh yang dicipta, disemak atau dinilai oleh peguam serta pakar undang-undang lain.

Peranan pakar undang-undang amat penting. Kepakaran dalam bidang ini bukan sekadar himpunan dokumen, tetapi turut melibatkan pertimbangan sama ada sesuatu tafsiran, strategi rundingan atau analisis berbilang langkah itu munasabah. Apabila peguam membina senario dan menilai jawapan model, Harvey memperoleh data latihan serta penilaian yang lebih dekat dengan piawaian kerja undang-undang sebenar.

Prestasi Tenet menurut dakwaan Harvey

Harvey menggambarkan Tenet sebagai model yang mencapai prestasi “tahap barisan hadapan” dalam penanda aras undang-undang terkemuka, serta setanding dengan model umum terbaik untuk tugasan berkaitan.

Dalam kemas kini teknikalnya, Harvey melaporkan bahawa Tenet berjaya menyelesaikan hampir dua kali ganda tugasan Legal Agent Benchmark (LAB) yang diketepikan untuk ujian berbanding model asas Kimi K3. Pada LAB Contracts, Tenet pula menyelesaikan 20% lebih banyak tugasan. Harvey turut melaporkan peningkatan kadar lulus penuh sebanyak 9 mata peratusan dalam LAB dan 2 mata peratusan dalam LAB Contracts.

Pengumuman berasingan daripada syarikat itu menyatakan peningkatan relatif sebanyak 82% dalam LAB dan 22% dalam LAB Contracts, selain mendakwa Tenet menduduki tempat pertama bagi LAB Contracts dan tempat kedua secara keseluruhan dalam LAB.

Namun, angka ini perlu dibaca sebagai dakwaan berdasarkan penanda aras, bukan bukti bahawa Tenet sentiasa lebih tepat daripada model tertutup atau boleh dipercayai untuk setiap bidang kuasa dan perkara undang-undang. Bukti yang tersedia di sini sebahagian besarnya datang daripada pengumuman Harvey serta laporan yang berasaskannya; pengesahan bebas terhadap ketepatan Tenet dalam kerja undang-undang sebenar masih belum dibuktikan.

Daripada penyepadu model kepada pemilik model

Sebelum Tenet, strategi produk Harvey lebih berasaskan aplikasi. Syarikat itu boleh menyesuaikan arahan, aliran kerja dan penghalaan tugasan sambil menggunakan model proprietari yang dibekalkan penyedia luar. Pendekatan tersebut membolehkan syarikat mengakses sistem berkuasa tanpa perlu membina dan mengendalikan keseluruhan timbunan model sendiri.

Tenet mengubah kedudukan model dalam teknologi Harvey:

• Pendekatan terdahulu: menyusun atau menyesuaikan model tertutup melalui penyedia luar.
• Pendekatan Tenet: bermula dengan pemberat model yang tersedia, melatihnya menggunakan tugasan undang-undang dan menggunakan model khusus itu dalam produk Harvey.

Perbezaannya bukan hanya soal teknikal. Dengan mempunyai akses kepada pemberat model, Harvey lebih bebas melaraskannya menggunakan data, penilaian dan aliran kerja produknya sendiri. Syarikat itu juga boleh menentukan infrastruktur penyajian dan kaedah pengoptimuman, berbanding membayar penyedia model untuk setiap permintaan melalui API tertutup.

Apa maksud latihan pasca?

Latihan pasca ialah latihan tambahan yang dilakukan selepas latihan awal model yang luas selesai. Berbanding mengajar keupayaan bahasa umum dari awal, pembangun menggunakan contoh terpilih, maklum balas pakar, tugasan sintetik dan penilaian berasaskan hasil untuk memperkukuh keupayaan atau tingkah laku tertentu.

Bagi Tenet, sasaran utamanya ialah penaakulan undang-undang dalam tugasan yang berpanjangan. Resipi yang dilaporkan Harvey menggunakan data sintetik, bahan undang-undang awam dan data pakar manusia untuk mengajar serta menguji cara model mengendalikan senario undang-undang, sebelum prestasinya diukur melalui tugasan yang tidak digunakan dalam latihan.

Bagi syarikat AI yang beroperasi dalam bidang khusus, pendekatan ini boleh menjadi lebih cekap berbanding membina model barisan hadapan baharu. Model asas menyediakan keupayaan bahasa dan penaakulan umum, manakala latihan pasca domain menumpukan usaha tambahan pada aliran kerja yang benar-benar digunakan pelanggan.

Mengapa pemberat terbuka boleh membantu pengkhususan dan kawalan kos

Model open-weight ialah model yang pemberat atau parameter numeriknya tersedia untuk dijalankan dan diubah suai oleh organisasi, berbeza daripada model tertutup yang hanya boleh digunakan melalui API di bawah kawalan penyedia. Pemberat Kimi K3 yang dikeluarkan kepada umum memberikan Harvey asas yang boleh disesuaikan secara langsung untuk kerja undang-undang.

Kawalan ini boleh menyokong ketepatan yang lebih khusus. Syarikat boleh berulang kali melatih dan menilai model menggunakan dokumen, urutan tugasan serta kriteria kualiti yang benar-benar penting kepada industri atau pelanggannya. Hasilnya tidak semestinya lebih baik daripada model tertutup, tetapi ia memberikan kebebasan yang lebih besar untuk mengoptimumkan model bagi kegunaan pengeluaran yang khusus.

Pemberat terbuka juga boleh mengubah struktur kos inferens—iaitu kos menjalankan model untuk menghasilkan jawapan. Syarikat boleh memilih perkakasan, perisian penyajian dan teknik pengoptimumannya sendiri, tanpa perlu membayar harga API model tertutup untuk setiap token. Bagaimanapun, model open-weight bukan percuma untuk dikendalikan: kuasa pengkomputeran, perkakasan, kejuruteraan, keselamatan dan penyelenggaraan tetap memerlukan kos besar.

Bagi ejen undang-undang yang mungkin memproses banyak dokumen atau beroperasi dalam tempoh panjang, pengurangan kos setiap operasi boleh memudahkan Harvey menawarkan aliran kerja berterusan atau berbilang langkah secara komersial. Itulah logik perniagaan di sebalik penggunaan model asas berkeupayaan tinggi bersama latihan pasca khusus domain.

Apa yang ditunjukkan oleh perubahan strategi Harvey

Langkah Harvey ialah contoh penting perubahan lebih luas dalam AI khusus industri. Syarikat aplikasi tidak semestinya perlu menang dengan melatih model serba guna terbesar. Sebaliknya, mereka boleh bersaing melalui data khusus, maklum balas pakar, penilaian, reka bentuk aliran kerja, pelaksanaan dan kepercayaan pelanggan.

Pemilihan Kimi K3 juga mempunyai kepentingan strategik. Ia menunjukkan bahawa syarikat Barat boleh menggunakan model open-weight dari China sebagai infrastruktur teknologi, walaupun makmal AI terkemuka masih terlibat dalam persaingan geopolitik dan komersial yang lebih luas. Tarikannya bukan bukti bahawa model China sentiasa lebih unggul. Sebaliknya, ketersediaan terbuka, kebolehsuaian dan kemungkinan kos penyajian yang lebih rendah mungkin lebih penting daripada kedudukan model itu dalam penanda aras umum bagi produk perusahaan yang fokus.

Namun, terdapat batasan yang tidak boleh diketepikan: pemberat terbuka memindahkan kawalan, bukan menghapuskan semua kos atau risiko. Syarikat masih memerlukan infrastruktur untuk menjalankan model, kepakaran untuk menilainya dan perlindungan bagi data undang-undang yang sensitif. Tenet bukanlah penolakan sepenuhnya terhadap model tertutup; ia lebih kepada pertaruhan bahawa memiliki model khusus kini semakin praktikal—dan semakin bernilai dari segi strategi—untuk syarikat perisian perusahaan.