Problem, który Harvey chciał rozwiązać

Wiele zadań prawniczych nie przypomina krótkiej rozmowy z chatbotem. Analiza umów, due diligence, przegląd materiału dowodowego czy wsparcie w sporach sądowych wymagają utrzymywania kontekstu, podejmowania decyzji w kilku krokach i pracy z dużymi zbiorami dokumentów. Tenet zaprojektowano z myślą o takich długoterminowych, agentowych przepływach pracy — zadaniach, które mogą trwać godziny lub dni, a nie sekundy.

Powód był również ekonomiczny. Harvey korzystał wcześniej z modeli bazowych dostarczanych przez zewnętrzne firmy i kierował różne zadania do systemów między innymi Anthropic, OpenAI i Google. Własny wyspecjalizowany model daje firmie dodatkową możliwość poprawiania wyników w najważniejszych zastosowaniach oraz ograniczania zależności od zewnętrznych interfejsów API.

Jak trenowano Tenet

Tenet nie jest nowym, ogólnym modelem bazowym wytrenowanym od podstaw. To wyspecjalizowany model powstały przez wzięcie istniejącego modelu z otwartymi wagami — według doniesień Kimi K3 — i przeprowadzenie dodatkowego treningu ukierunkowanego na rozumowanie prawnicze.

W opisywanym procesie wykorzystano między innymi:

• publicznie dostępne materiały prawne;
• syntetyczne zadania prawne i symulowane spory;
• przykładowe akta spraw oraz scenariusze dotyczące umów;
• przykłady tworzone, analizowane lub oceniane przez prawników i innych ekspertów prawa.

Ten ostatni element ma szczególne znaczenie. Wiedza prawnicza nie sprowadza się do zbioru dokumentów. Obejmuje także ocenę tego, czy dana interpretacja, strategia negocjacyjna lub wieloetapowa analiza jest poprawna. Prawnicy, którzy tworzą scenariusze i oceniają odpowiedzi modelu, dostarczają więc danych treningowych i testowych bliższych standardom rzeczywistej pracy prawnej.

Wyniki deklarowane przez Harvey

Harvey opisuje Tenet jako model osiągający „poziom frontier” w ważnych benchmarkach prawnych i działający na poziomie czołowych modeli ogólnego przeznaczenia w odpowiednich zastosowaniach.

Własna aktualizacja techniczna firmy podaje, że Tenet rozwiązał niemal dwa razy więcej zadań z odłożonego zbioru Legal Agent Benchmark niż bazowy Kimi K3. W przypadku LAB Contracts liczba ukończonych zadań wzrosła o 20 proc. Harvey informuje również o wzroście odsetka zadań zaliczonych w całości — o 9 punktów procentowych w LAB i o 2 punkty procentowe w LAB Contracts.

W osobnym komunikacie firma przedstawia te wyniki jako względną poprawę odsetka pełnych zaliczeń o 82 proc. w LAB i 22 proc. w LAB Contracts. Według tego komunikatu Tenet zajął pierwsze miejsce w LAB Contracts i drugie miejsce w klasyfikacji ogólnej LAB.

Do tych liczb należy podchodzić jak do deklaracji dotyczących benchmarków, a nie dowodu, że Tenet jest zawsze dokładniejszy od zamkniętych modeli albo niezawodny w każdej jurysdykcji i sprawie. Dostępne materiały to przede wszystkim komunikat Harvey i relacje oparte na tym komunikacie; niezależne potwierdzenie skuteczności modelu w rzeczywistych sprawach prawnych nie zostało tutaj wykazane.

Od integratora modeli do ich właściciela

Przed uruchomieniem Tenet strategia produktowa Harvey była przede wszystkim skoncentrowana na aplikacji. Firma mogła dostosowywać prompty, przepływy pracy i routing zadań, korzystając z własnościowych modeli dostarczanych przez zewnętrznych operatorów. Takie podejście pozwala używać zaawansowanych systemów bez budowania i utrzymywania całego stosu technologicznego modelu.

Tenet zmienia miejsce modelu w architekturze Harvey:

• Wcześniej: firma koordynowała lub dostosowywała zamknięte modele za pośrednictwem zewnętrznych dostawców.
• Teraz: bierze udostępnione wagi modelu, poddaje je dalszemu treningowi na zadaniach prawnych i wykorzystuje powstały model we własnym produkcie.

To rozróżnienie jest nie tylko techniczne. Dostęp do wag daje Harvey większą swobodę dostrajania modelu za pomocą własnych danych, testów i przepływów pracy. Firma może też samodzielnie decydować o infrastrukturze obsługującej model i jego optymalizacji, zamiast płacić dostawcy za każde żądanie kierowane do zamkniętego API.

Czym jest dalszy trening modelu?

Post-training, czyli dalszy trening, to dodatkowe uczenie modelu po zakończeniu jego szerokiego treningu bazowego. Nie chodzi wówczas o naukę ogólnych zdolności językowych od podstaw, lecz o poprawę konkretnych kompetencji i zachowań za pomocą wyselekcjonowanych przykładów, opinii ekspertów, zadań syntetycznych oraz ocen opartych na rezultatach.

W przypadku Tenet celem było rozumowanie prawnicze w zadaniach realizowanych przez dłuższy czas. Według informacji Harvey firma wykorzystała połączenie danych syntetycznych, publicznie dostępnych materiałów prawnych i danych przygotowanych przez ekspertów, a następnie mierzyła wyniki na zadaniach niewykorzystanych w treningu.

Dla firmy tworzącej wyspecjalizowane oprogramowanie takie podejście może być bardziej efektywne niż budowa nowego modelu frontier od zera. Model bazowy zapewnia szerokie zdolności językowe i rozumowania, a dalszy trening koncentruje dodatkowe zasoby na procesach, z których klienci faktycznie korzystają.

Dlaczego otwarte wagi mogą pomóc w specjalizacji i kontroli kosztów

Model z otwartymi wagami udostępnia organizacji swoje parametry numeryczne, dzięki czemu może ona uruchamiać go i modyfikować. To odróżnia go od zamkniętego modelu własnościowego, dostępnego wyłącznie przez kontrolowane przez dostawcę API. Udostępnione wagi Kimi K3 dały Harvey bazę, którą można było bezpośrednio dostosować do pracy prawniczej.

Taka kontrola może wspierać bardziej precyzyjną specjalizację. Firma może wielokrotnie trenować i testować model na dokumentach, sekwencjach zadań i kryteriach jakości istotnych dla jej branży lub klientów. Nie oznacza to automatycznie, że wynik będzie lepszy od zamkniętego modelu, ale zapewnia większą swobodę optymalizacji pod konkretny przypadek produkcyjny.

Otwarte wagi mogą również zmienić ekonomię wnioskowania, czyli generowania odpowiedzi przez model. Firma może samodzielnie wybrać sprzęt, oprogramowanie serwerowe i metody optymalizacji, zamiast płacić dostawcy zamkniętego modelu za każdy token. Nie oznacza to jednak, że model jest darmowy: nadal trzeba ponieść koszty obliczeń, sprzętu, inżynierii, bezpieczeństwa i utrzymania.

W przypadku agentów prawnych, które analizują duże zbiory dokumentów lub działają przez dłuższy czas, obniżenie kosztu pojedynczej operacji może ułatwić komercyjne oferowanie ciągłych i wieloetapowych procesów. Na tym polega biznesowa logika połączenia wydajnego modelu bazowego z dalszym treningiem domenowym.

Co ten ruch mówi o rynku AI

Decyzja Harvey jest przykładem szerszej zmiany w wyspecjalizowanej sztucznej inteligencji. Firmy tworzące rozwiązania dla konkretnych branż nie muszą wygrywać przez trenowanie największego modelu ogólnego przeznaczenia. Mogą konkurować wyspecjalizowanymi danymi, opiniami ekspertów, własnymi testami, projektowaniem procesów, wdrożeniem i zaufaniem klientów.

Wybór Kimi K3 ma również znaczenie strategiczne. Pokazuje, że zachodnia firma może potraktować chiński model z otwartymi wagami jako infrastrukturę techniczną, nawet gdy czołowe laboratoria AI działają w warunkach szerszej rywalizacji geopolitycznej i komercyjnej. Nie jest to dowód na uniwersalną przewagę chińskich modeli. Pokazuje raczej, że w wyspecjalizowanym produkcie dla przedsiębiorstw otwartość, możliwość modyfikacji i potencjalnie niższy koszt obsługi mogą być ważniejsze niż pozycja modelu w ogólnych rankingach.

Zastrzeżenie jest równie istotne: otwarte wagi przekazują kontrolę, ale nie eliminują wszystkich kosztów ani ryzyk. Firma nadal potrzebuje infrastruktury do uruchomienia modelu, ekspertów do jego oceny oraz zabezpieczeń dla wrażliwych danych prawnych. Tenet nie oznacza więc całkowitego odrzucenia modeli zamkniętych. To raczej zakład, że posiadanie wyspecjalizowanego modelu staje się dla firm tworzących oprogramowanie dla przedsiębiorstw coraz bardziej wykonalne i strategicznie opłacalne.

Problem, który Harvey chciał rozwiązać

Wiele zadań prawniczych nie przypomina krótkiej rozmowy z chatbotem. Analiza umów, due diligence, przegląd materiału dowodowego czy wsparcie w sporach sądowych wymagają utrzymywania kontekstu, podejmowania decyzji w kilku krokach i pracy z dużymi zbiorami dokumentów. Tenet zaprojektowano z myślą o takich długoterminowych, agentowych przepływach pracy — zadaniach, które mogą trwać godziny lub dni, a nie sekundy.

Powód był również ekonomiczny. Harvey korzystał wcześniej z modeli bazowych dostarczanych przez zewnętrzne firmy i kierował różne zadania do systemów między innymi Anthropic, OpenAI i Google. Własny wyspecjalizowany model daje firmie dodatkową możliwość poprawiania wyników w najważniejszych zastosowaniach oraz ograniczania zależności od zewnętrznych interfejsów API.

Jak trenowano Tenet

Tenet nie jest nowym, ogólnym modelem bazowym wytrenowanym od podstaw. To wyspecjalizowany model powstały przez wzięcie istniejącego modelu z otwartymi wagami — według doniesień Kimi K3 — i przeprowadzenie dodatkowego treningu ukierunkowanego na rozumowanie prawnicze.

W opisywanym procesie wykorzystano między innymi:

• publicznie dostępne materiały prawne;
• syntetyczne zadania prawne i symulowane spory;
• przykładowe akta spraw oraz scenariusze dotyczące umów;
• przykłady tworzone, analizowane lub oceniane przez prawników i innych ekspertów prawa.

Ten ostatni element ma szczególne znaczenie. Wiedza prawnicza nie sprowadza się do zbioru dokumentów. Obejmuje także ocenę tego, czy dana interpretacja, strategia negocjacyjna lub wieloetapowa analiza jest poprawna. Prawnicy, którzy tworzą scenariusze i oceniają odpowiedzi modelu, dostarczają więc danych treningowych i testowych bliższych standardom rzeczywistej pracy prawnej.

Wyniki deklarowane przez Harvey

Harvey opisuje Tenet jako model osiągający „poziom frontier” w ważnych benchmarkach prawnych i działający na poziomie czołowych modeli ogólnego przeznaczenia w odpowiednich zastosowaniach.

Własna aktualizacja techniczna firmy podaje, że Tenet rozwiązał niemal dwa razy więcej zadań z odłożonego zbioru Legal Agent Benchmark niż bazowy Kimi K3. W przypadku LAB Contracts liczba ukończonych zadań wzrosła o 20 proc. Harvey informuje również o wzroście odsetka zadań zaliczonych w całości — o 9 punktów procentowych w LAB i o 2 punkty procentowe w LAB Contracts.

W osobnym komunikacie firma przedstawia te wyniki jako względną poprawę odsetka pełnych zaliczeń o 82 proc. w LAB i 22 proc. w LAB Contracts. Według tego komunikatu Tenet zajął pierwsze miejsce w LAB Contracts i drugie miejsce w klasyfikacji ogólnej LAB.

Do tych liczb należy podchodzić jak do deklaracji dotyczących benchmarków, a nie dowodu, że Tenet jest zawsze dokładniejszy od zamkniętych modeli albo niezawodny w każdej jurysdykcji i sprawie. Dostępne materiały to przede wszystkim komunikat Harvey i relacje oparte na tym komunikacie; niezależne potwierdzenie skuteczności modelu w rzeczywistych sprawach prawnych nie zostało tutaj wykazane.

Od integratora modeli do ich właściciela

Przed uruchomieniem Tenet strategia produktowa Harvey była przede wszystkim skoncentrowana na aplikacji. Firma mogła dostosowywać prompty, przepływy pracy i routing zadań, korzystając z własnościowych modeli dostarczanych przez zewnętrznych operatorów. Takie podejście pozwala używać zaawansowanych systemów bez budowania i utrzymywania całego stosu technologicznego modelu.

Tenet zmienia miejsce modelu w architekturze Harvey:

• Wcześniej: firma koordynowała lub dostosowywała zamknięte modele za pośrednictwem zewnętrznych dostawców.
• Teraz: bierze udostępnione wagi modelu, poddaje je dalszemu treningowi na zadaniach prawnych i wykorzystuje powstały model we własnym produkcie.

To rozróżnienie jest nie tylko techniczne. Dostęp do wag daje Harvey większą swobodę dostrajania modelu za pomocą własnych danych, testów i przepływów pracy. Firma może też samodzielnie decydować o infrastrukturze obsługującej model i jego optymalizacji, zamiast płacić dostawcy za każde żądanie kierowane do zamkniętego API.

Czym jest dalszy trening modelu?

Post-training, czyli dalszy trening, to dodatkowe uczenie modelu po zakończeniu jego szerokiego treningu bazowego. Nie chodzi wówczas o naukę ogólnych zdolności językowych od podstaw, lecz o poprawę konkretnych kompetencji i zachowań za pomocą wyselekcjonowanych przykładów, opinii ekspertów, zadań syntetycznych oraz ocen opartych na rezultatach.

W przypadku Tenet celem było rozumowanie prawnicze w zadaniach realizowanych przez dłuższy czas. Według informacji Harvey firma wykorzystała połączenie danych syntetycznych, publicznie dostępnych materiałów prawnych i danych przygotowanych przez ekspertów, a następnie mierzyła wyniki na zadaniach niewykorzystanych w treningu.

Dla firmy tworzącej wyspecjalizowane oprogramowanie takie podejście może być bardziej efektywne niż budowa nowego modelu frontier od zera. Model bazowy zapewnia szerokie zdolności językowe i rozumowania, a dalszy trening koncentruje dodatkowe zasoby na procesach, z których klienci faktycznie korzystają.

Dlaczego otwarte wagi mogą pomóc w specjalizacji i kontroli kosztów

Model z otwartymi wagami udostępnia organizacji swoje parametry numeryczne, dzięki czemu może ona uruchamiać go i modyfikować. To odróżnia go od zamkniętego modelu własnościowego, dostępnego wyłącznie przez kontrolowane przez dostawcę API. Udostępnione wagi Kimi K3 dały Harvey bazę, którą można było bezpośrednio dostosować do pracy prawniczej.

Taka kontrola może wspierać bardziej precyzyjną specjalizację. Firma może wielokrotnie trenować i testować model na dokumentach, sekwencjach zadań i kryteriach jakości istotnych dla jej branży lub klientów. Nie oznacza to automatycznie, że wynik będzie lepszy od zamkniętego modelu, ale zapewnia większą swobodę optymalizacji pod konkretny przypadek produkcyjny.

Otwarte wagi mogą również zmienić ekonomię wnioskowania, czyli generowania odpowiedzi przez model. Firma może samodzielnie wybrać sprzęt, oprogramowanie serwerowe i metody optymalizacji, zamiast płacić dostawcy zamkniętego modelu za każdy token. Nie oznacza to jednak, że model jest darmowy: nadal trzeba ponieść koszty obliczeń, sprzętu, inżynierii, bezpieczeństwa i utrzymania.

W przypadku agentów prawnych, które analizują duże zbiory dokumentów lub działają przez dłuższy czas, obniżenie kosztu pojedynczej operacji może ułatwić komercyjne oferowanie ciągłych i wieloetapowych procesów. Na tym polega biznesowa logika połączenia wydajnego modelu bazowego z dalszym treningiem domenowym.

Co ten ruch mówi o rynku AI

Decyzja Harvey jest przykładem szerszej zmiany w wyspecjalizowanej sztucznej inteligencji. Firmy tworzące rozwiązania dla konkretnych branż nie muszą wygrywać przez trenowanie największego modelu ogólnego przeznaczenia. Mogą konkurować wyspecjalizowanymi danymi, opiniami ekspertów, własnymi testami, projektowaniem procesów, wdrożeniem i zaufaniem klientów.

Wybór Kimi K3 ma również znaczenie strategiczne. Pokazuje, że zachodnia firma może potraktować chiński model z otwartymi wagami jako infrastrukturę techniczną, nawet gdy czołowe laboratoria AI działają w warunkach szerszej rywalizacji geopolitycznej i komercyjnej. Nie jest to dowód na uniwersalną przewagę chińskich modeli. Pokazuje raczej, że w wyspecjalizowanym produkcie dla przedsiębiorstw otwartość, możliwość modyfikacji i potencjalnie niższy koszt obsługi mogą być ważniejsze niż pozycja modelu w ogólnych rankingach.

Zastrzeżenie jest równie istotne: otwarte wagi przekazują kontrolę, ale nie eliminują wszystkich kosztów ani ryzyk. Firma nadal potrzebuje infrastruktury do uruchomienia modelu, ekspertów do jego oceny oraz zabezpieczeń dla wrażliwych danych prawnych. Tenet nie oznacza więc całkowitego odrzucenia modeli zamkniętych. To raczej zakład, że posiadanie wyspecjalizowanego modelu staje się dla firm tworzących oprogramowanie dla przedsiębiorstw coraz bardziej wykonalne i strategicznie opłacalne.