Derfor valgte Harvey Kinas Kimi K3 som grunnlag for sin egen juridiske AI

Slik ble Tenet trent

Tenet er ikke en ny, generell grunnmodell som er trent fra grunnen av. Det er en spesialisert modell basert på en eksisterende modell med åpne vekter – ifølge rapportene Moonshot AIs Kimi K3 – som deretter er videreopplært for juridisk resonnering.

Den rapporterte treningen kombinerte:

• offentlig tilgjengelig juridisk materiale;
• syntetiske juridiske oppgaver og simulerte tvister;
• fiktive saksmapper og kontraktsscenarioer; og
• eksempler som ble laget, gjennomgått eller vurdert av advokater og andre juridiske eksperter.

Det siste punktet er særlig viktig. Juridisk ekspertise handler ikke bare om å samle dokumenter. Det handler også om å vurdere om en tolkning, en forhandlingsstrategi eller en analyse i flere trinn faktisk holder mål. Når advokater lager scenarioer og vurderer modellens svar, får Harvey trenings- og evalueringsdata som er rettet mot kvalitetskravene i reelt juridisk arbeid.

Dette hevder Harvey om resultatene

Harvey beskriver Tenet som en modell med «frontier-level»-ytelse på kjente juridiske referansetester, og sier at den presterer på nivå med ledende generelle modeller i det aktuelle arbeidet.

I en teknisk oppdatering skriver selskapet at Tenet løste nesten dobbelt så mange oppgaver i Legal Agent Benchmark-testen som ikke var brukt i treningen, sammenlignet med grunnmodellen Kimi K3. På LAB Contracts løste den 20 prosent flere oppgaver. Harvey rapporterte også en økning i andelen oppgaver som ble bestått fullt ut, på 9 prosentpoeng i LAB og 2 prosentpoeng i LAB Contracts.

En separat kunngjøring fra selskapet presenterer fremgangen som relative forbedringer på 82 prosent i LAB og 22 prosent i LAB Contracts. Der heter det også at Tenet kom på førsteplass i LAB Contracts og andreplass totalt i LAB.

Tallene bør likevel leses som selskapets egne benchmark-påstander – ikke som bevis på at Tenet alltid er mer presis enn lukkede modeller, eller at den er pålitelig for alle jurisdiksjoner og juridiske spørsmål. Det tilgjengelige materialet bygger hovedsakelig på Harveys egen kunngjøring og omtale av den. Uavhengig dokumentasjon av nøyaktigheten i praktisk juridisk arbeid er ikke etablert her.

Fra modellintegratør til modeleier

Før Tenet var Harveys produktstrategi først og fremst applikasjonsdrevet. Selskapet kunne tilpasse instruksjoner, arbeidsflyter og ruting, samtidig som det brukte proprietære modeller levert av eksterne aktører. Denne tilnærmingen gir tilgang til kraftige systemer uten at selskapet selv må bygge og drifte hele modellstakken.

Tenet endrer modellens plass i Harveys teknologiske infrastruktur:

• Tidligere: koordinere eller tilpasse lukkede modeller gjennom eksterne leverandører.
• Med Tenet: ta utgangspunkt i offentliggjorte modellvekter, videreopplære dem på juridiske oppgaver og bruke den spesialiserte modellen i eget produkt.

Forskjellen er ikke bare teknisk. Når Harvey har tilgang til vektene, får selskapet større frihet til å tilpasse modellen etter egne data, evalueringer og arbeidsflyter. Det kan også ta egne beslutninger om maskinvare, drift og optimalisering, i stedet for å betale en modellleverandør for hver forespørsel gjennom et lukket API.

Hva betyr «videreopplæring»?

Videreopplæring, eller post-training, er ekstra trening som skjer etter at en modell er ferdig med den brede grunnopplæringen. I stedet for å lære modellen generell språkforståelse fra grunnen av, bruker utviklerne kuraterte eksempler, ekspertvurderinger, syntetiske oppgaver og resultatevalueringer for å forbedre bestemte ferdigheter eller typer atferd.

For Tenet var målet juridisk resonnering i lange og sammenhengende arbeidsprosesser. Harveys rapporterte metode brukte syntetiske data, offentlig juridisk materiale og data fra menneskelige eksperter for å lære opp og teste modellen i juridiske scenarioer. Resultatene ble deretter målt på oppgaver som ikke var del av treningsmaterialet.

For et selskap som utvikler AI for en bestemt bransje, kan dette være mer effektivt enn å bygge en ny frontmodell. Grunnmodellen bidrar med bred språk- og resonneringsevne, mens videreopplæringen konsentrerer innsatsen om arbeidsflytene kundene faktisk bruker.

Hvorfor åpne modellvekter kan gi mer spesialisering og bedre kostnadskontroll

En modell med åpne vekter gjør de numeriske parameterne tilgjengelige, slik at en organisasjon kan kjøre og endre modellen selv. En lukket modell kan derimot normalt bare brukes gjennom et API som leverandøren kontrollerer. De offentliggjorte vektene til Kimi K3 ga Harvey et utgangspunkt som kunne tilpasses juridisk arbeid direkte.

Denne kontrollen kan legge til rette for mer målrettet presisjon. Selskapet kan trene og evaluere modellen gjentatte ganger på dokumentene, oppgavesekvensene og kvalitetskriteriene som betyr mest i bransjen eller for kundene. Det betyr ikke automatisk at modellen blir bedre enn en lukket modell, men det gir større frihet til å optimalisere for et avgrenset bruksområde.

Åpne vekter kan også endre kostnadsbildet for såkalt inferens – altså når modellen faktisk kjører og produserer svar. Selskapet kan velge egen maskinvare, programvare for modellservering og optimaliseringer, i stedet for å betale en lukket modellleverandør for hvert token. Modellen er likevel ikke gratis å drifte: datakraft, maskinvare, ingeniørarbeid, sikkerhet og vedlikehold koster fortsatt betydelig.

For juridiske AI-agenter som skal behandle store dokumentmengder eller arbeide over lengre tid, kan lavere kostnad per operasjon gjøre det enklere å tilby kontinuerlige og flertrinns arbeidsflyter kommersielt. Det er forretningslogikken bak kombinasjonen av en kapabel grunnmodell og bransjespesifikk videreopplæring.

Hva Harveys skifte sier om AI-markedet

Harveys beslutning er et tydelig eksempel på en bredere utvikling innen bransjespesifikk AI. Applikasjonsselskaper trenger ikke nødvendigvis å konkurrere ved å trene den største generelle modellen. De kan i stedet bygge et fortrinn gjennom spesialiserte data, ekspertvurderinger, gode evalueringer, arbeidsflytdesign, drift og kundenes tillit.

Valget av Kimi K3 er også strategisk interessant. Det viser at et vestlig selskap kan bruke en kinesisk modell med åpne vekter som teknisk infrastruktur, samtidig som de ledende AI-laboratoriene inngår i en bredere geopolitisk og kommersiell konkurranse. Attraksjonen er ikke et bevis på at kinesiske modeller er best i alle sammenhenger. Poenget er at åpen tilgjengelighet, tilpasningsmuligheter og potensielt lavere driftskostnader kan være viktigere enn plasseringen på generelle referansetester for et målrettet bedriftsprodukt.

Forbeholdet er like viktig: Åpne modellvekter overfører kontroll, men ikke alle kostnader eller risikoer. Selskaper trenger fortsatt infrastrukturen til å kjøre modellen, kompetansen til å evaluere den og sikkerhetstiltak for sensitive juridiske data. Tenet er derfor mindre et farvel til lukkede modeller enn et veddemål på at det blir praktisk – og strategisk verdifullt – for programvareselskaper å eie og spesialisere sitt eget modellag.