Почему Harvey выбрала китайскую Kimi K3 для собственной юридической ИИ-модели

Как создавали Tenet

Tenet — не новая универсальная фундаментальная модель, обученная с нуля. Это специализированная система, созданная на базе уже существующей модели с открытыми весами — по данным отраслевых публикаций, Kimi K3 от Moonshot AI, — которую дополнительно обучили юридическому анализу.

В заявленный набор данных вошли:

• общедоступные юридические материалы;
• синтетические юридические задачи и смоделированные споры;
• учебные материалы дел и сценарии работы с договорами;
• примеры, созданные, проверенные или оцененные юристами и другими специалистами в области права.

Последний пункт особенно важен. Юридическая экспертиза — это не только собрание документов. Она включает оценку того, насколько обоснованы трактовка нормы, стратегия переговоров или многоэтапный анализ. Когда юристы создают сценарии и оценивают ответы модели, Harvey получает данные для обучения и проверки, ориентированные на реальные стандарты юридической работы.

Что Harvey говорит о результатах

Harvey описывает Tenet как модель, демонстрирующую «уровень передовых систем» на известных юридических бенчмарках и сопоставимую с ведущими универсальными моделями в соответствующих сценариях.

В собственном техническом обновлении компания сообщает, что Tenet выполнила почти вдвое больше отложенных заданий Legal Agent Benchmark, чем базовая Kimi K3, а в тесте LAB Contracts — на 20% больше заданий. Harvey также заявила о росте доли полностью успешных прохождений на 9 процентных пунктов в LAB и на 2 процентных пункта в LAB Contracts.

В отдельном объявлении эти результаты представлены как относительный рост на 82% для LAB и на 22% для LAB Contracts. По словам компании, Tenet заняла первое место в LAB Contracts и второе место в общем рейтинге LAB.

Однако эти цифры следует воспринимать именно как результаты, заявленные компанией на бенчмарках. Они не доказывают, что Tenet в любой ситуации точнее закрытых моделей или одинаково надежна для всех юрисдикций и типов юридических дел. Представленные материалы в основном состоят из объявления Harvey и публикаций, основанных на нем; независимое подтверждение точности модели в реальной юридической практике здесь отсутствует.

От интегратора моделей — к владельцу модели

До Tenet стратегия Harvey была прежде всего ориентирована на приложение. Компания могла настраивать промпты, рабочие процессы и маршрутизацию запросов, используя закрытые модели внешних поставщиков. Такой подход позволяет получить доступ к мощным системам без необходимости самостоятельно создавать и обслуживать весь стек машинного обучения.

Tenet меняет место модели в технологической архитектуре Harvey:

• Раньше: компания координировала и адаптировала закрытые модели через внешних поставщиков.
• Теперь: Harvey берет опубликованные веса модели, дообучает их на юридических задачах и использует получившуюся специализированную систему внутри собственного продукта.

Это различие не сводится к технической детали. Доступ к весам дает Harvey больше свободы для настройки модели под собственные данные, тесты и рабочие процессы. Компания также может самостоятельно выбирать инфраструктуру и способы оптимизации, а не платить поставщику за каждый запрос через закрытый API.

Что такое посттренинг

Посттренинг — это дополнительное обучение модели после завершения ее исходного масштабного обучения. Разработчики не учат модель языку с нуля, а используют отобранные примеры, экспертные оценки, синтетические задания и проверки результата, чтобы улучшить конкретные навыки и модели поведения.

В случае Tenet целевой задачей было юридическое рассуждение в длительных процессах. Согласно опубликованным данным, Harvey объединила синтетические, открытые юридические и подготовленные экспертами материалы, чтобы обучать и проверять модель на правовых сценариях, а затем оценивала ее на отложенных заданиях.

Для компании, создающей ИИ под конкретную отрасль, такой путь может быть эффективнее разработки новой передовой модели. Базовая модель уже предоставляет широкие языковые и логические способности, а посттренинг позволяет сосредоточить дополнительные ресурсы на тех процессах, которыми действительно пользуются клиенты.

Почему открытые веса важны для специализации и затрат

Модель с открытыми весами предоставляет организации доступ к ее числовым параметрам, чтобы запускать и изменять систему самостоятельно. В отличие от этого, закрытая модель доступна только через API, который контролирует ее поставщик. Опубликованные веса Kimi K3 дали Harvey основу, которую можно напрямую адаптировать для юридической работы.

Такой контроль может помочь повысить точность в узкой области. Компания получает возможность многократно обучать и проверять модель на тех документах, последовательностях действий и критериях качества, которые важны именно для ее отрасли или клиентов. Это не гарантирует превосходства над закрытой моделью, но дает больше свободы для оптимизации под конкретный производственный сценарий.

Открытые веса способны изменить и экономику инференса — то есть обработки запросов уже обученной моделью. Компания может сама выбирать оборудование, программное обеспечение для запуска и методы оптимизации, не оплачивая каждый токен по тарифу поставщика закрытой модели. Но открытая модель не означает бесплатную эксплуатацию: вычислительные мощности, оборудование, разработка, безопасность и техническое обслуживание по-прежнему стоят дорого.

Для юридических агентов, которые обрабатывают большие коллекции документов или долго выполняют цепочки действий, снижение стоимости одной операции может сделать непрерывные и многоэтапные процессы более доступными для коммерческого использования. В этом и состоит бизнес-логика сочетания мощной базовой модели с отраслевым посттренингом.

Что этот шаг говорит о рынке ИИ

Переход Harvey — заметный пример более широкого изменения в вертикальном ИИ. Компании, создающие продукты для конкретной отрасли, не обязательно должны конкурировать за счет обучения самой большой универсальной модели. Они могут выигрывать благодаря специализированным данным, обратной связи экспертов, собственным тестам, дизайну рабочих процессов, качеству развертывания и доверию клиентов.

Выбор Kimi K3 имеет и геополитическое значение. Он показывает, что американская компания может использовать китайскую модель с открытыми весами как техническую основу даже на фоне масштабной конкуренции между ведущими ИИ-лабораториями США и Китая. Привлекательность этого решения не доказывает универсального превосходства китайских моделей. Важнее другое: для узкого корпоративного продукта открытость, возможность адаптации и потенциально более низкая стоимость запуска могут оказаться полезнее, чем место модели в общих рейтингах.

При этом открытые веса передают компании контроль, но не избавляют ее от расходов и рисков. Все равно нужны инфраструктура для запуска, специалисты для оценки качества и меры защиты конфиденциальных юридических данных. Поэтому Tenet — скорее не отказ от закрытых моделей, а ставка на то, что владение специализированной моделью становится практически осуществимым и стратегически важным для разработчиков корпоративного ПО.