Därför valde Harvey Kimi K3 för sin juridiska AI

Så tränades Tenet

Tenet är inte en ny, generell grundmodell som tränats från noll. Det är en specialiserad modell som bygger på en redan existerande modell med öppna vikter – enligt rapporteringen Moonshot AI:s Kimi K3 – och som därefter fått extra träning för juridiskt resonemang.

Den rapporterade träningsprocessen kombinerade:

• offentligt tillgängligt juridiskt material,
• syntetiska juridiska uppgifter och simulerade tvister,
• påhittade akter och kontraktsscenarier, samt
• exempel som skapats, granskats eller bedömts av jurister och andra juridiska experter.

Den sista delen är särskilt viktig. Juridisk kompetens består inte bara av en samling dokument. Den handlar också om att kunna avgöra om en tolkning, förhandlingsstrategi eller analys i flera steg faktiskt håller.

När jurister skapar scenarier och bedömer modellens svar får Harvey tränings- och utvärderingsdata som är inriktade på kvalitetskraven i verkligt juridiskt arbete.

Vad Harvey säger om modellens resultat

Harvey beskriver Tenet som en modell med ”frontier-level”-prestanda i välkända juridiska benchmarktester och uppger att den ligger i nivå med ledande generella modeller för de aktuella arbetsuppgifterna.

I företagets tekniska uppdatering står det att Tenet klarade nästan dubbelt så många uppgifter i Legal Agent Benchmark (LAB) som den ursprungliga Kimi K3-modellen i ett separat testmaterial. På LAB Contracts klarade Tenet 20 procent fler uppgifter. Harvey rapporterade dessutom att andelen uppgifter som klarades helt ökade med 9 procentenheter i LAB och 2 procentenheter i LAB Contracts.

Ett separat företagsmeddelande presenterar resultaten som relativa förbättringar på 82 procent i LAB och 22 procent i LAB Contracts. Där uppges också att Tenet kom etta i LAB Contracts och tvåa totalt i LAB.

Siffrorna bör dock läsas som företagets benchmarkpåståenden – inte som bevis för att Tenet alltid är mer träffsäkert än stängda modeller eller fungerar tillförlitligt i alla rättssystem och juridiska situationer. Det tillgängliga underlaget består främst av Harveys eget meddelande och rapportering som bygger på det. Någon oberoende bekräftelse av modellens noggrannhet i verkligt juridiskt arbete är inte etablerad här.

Från modellförmedlare till modellägare

Före Tenet var Harveys strategi i första hand applikationsdriven. Företaget kunde anpassa instruktioner, arbetsflöden och modellval, men använde samtidigt proprietära modeller från externa leverantörer. Den modellen ger tillgång till kraftfull AI utan att företaget självt behöver bygga och driva hela modellstacken.

Tenet förändrar modellens roll i Harveys teknikplattform:

• Tidigare: samordna och anpassa stängda modeller via externa leverantörer.
• Nu: utgå från offentliggjorda modellvikter, vidareträna dem på juridiska uppgifter och använda den specialiserade modellen i den egna produkten.

Skillnaden är inte bara teknisk. När Harvey får tillgång till modellvikterna kan företaget själv finjustera modellen mot egna data, utvärderingar och arbetsflöden. Det kan också fatta egna beslut om servrar, programvara och optimering, i stället för att betala en modellleverantör för varje förfrågan via ett stängt API.

Vad betyder ”vidareträning”?

Vidareträning, eller post-training, är extra träning som genomförs efter att en modell redan har fått sin breda grundutbildning. I stället för att lära modellen allmän språkförmåga från början använder utvecklare utvalda exempel, expertåterkoppling, syntetiska uppgifter och resultatbaserade utvärderingar för att förbättra vissa färdigheter eller beteenden.

För Tenet var målet juridiskt resonemang i långvariga arbetsflöden. Harveys rapporterade metod använde syntetiska data, offentligt juridiskt material och data från mänskliga experter för att träna och testa hur modellen hanterar juridiska scenarier. Resultaten mättes sedan mot uppgifter som modellen inte hade tränats på.

För ett företag som bygger AI för en specifik bransch kan detta vara mer effektivt än att träna en ny banbrytande grundmodell. Basmodellen bidrar med bred språk- och resonemangsförmåga, medan vidareträningen riktar extra resurser mot de arbetsflöden som kunderna faktiskt använder.

Därför kan öppna vikter ge mer kontroll över specialisering och kostnad

En modell med öppna vikter gör sina numeriska parametrar tillgängliga för organisationer som vill köra och ändra modellen. Det skiljer sig från en stängd modell som bara kan användas via ett leverantörskontrollerat API. Kimi K3:s offentliggjorda vikter gav därför Harvey en bas som företaget kunde anpassa direkt för juridiskt arbete.

Den kontrollen kan möjliggöra mer träffsäker optimering för ett avgränsat användningsområde. Företaget kan återkommande träna och utvärdera modellen mot de dokument, arbetssekvenser och kvalitetskriterier som är viktigast för branschen eller kunderna. Det betyder inte automatiskt att modellen blir bättre än en stängd modell, men det ger större frihet att optimera för en specifik produktionstillämpning.

Öppna vikter kan också förändra kostnadsbilden för så kallad inferens – alltså när modellen faktiskt körs och genererar svar. Företaget kan välja egen hårdvara, servermiljö och optimering i stället för att betala en stängd leverantörs pris för varje token. Modellen är dock inte gratis att köra: beräkningskraft, hårdvara, utveckling, säkerhet och underhåll kostar fortfarande betydande belopp.

För juridiska AI-agenter som bearbetar stora dokumentmängder eller arbetar under lång tid kan en lägre kostnad per operation göra kontinuerliga och flerstegsbaserade arbetsflöden enklare att erbjuda kommersiellt. Det är den affärsmässiga logiken bakom att kombinera en kapabel basmodell med branschspecifik vidareträning.

Vad Harveys kursändring säger om AI-marknaden

Harveys beslut är ett tydligt exempel på en bredare förändring inom branschspecifik AI. Företag som bygger AI för en viss sektor behöver inte nödvändigtvis vinna genom att träna den största generella modellen. De kan i stället konkurrera med specialiserade data, expertfeedback, egna tester, genomtänkta arbetsflöden, driftsättning och kundernas förtroende.

Valet av Kimi K3 är samtidigt strategiskt betydelsefullt. Det visar hur ett västerländskt företag kan använda en kinesisk modell med öppna vikter som teknisk grund, även när de ledande AI-laboratorierna ingår i en bredare geopolitisk och kommersiell konkurrens.

Lockelsen är inte ett bevis för att kinesiska modeller generellt är bättre. Poängen är snarare att öppen tillgång, anpassningsbarhet och potentiellt lägre driftskostnader kan väga tyngre än modellens placering i allmänna benchmarktester när en företagsprodukt har ett smalt och tydligt användningsområde.

Brasklappen är lika viktig: öppna vikter ger kontroll, men de eliminerar inte kostnader eller risker. Företag behöver fortfarande infrastrukturen för att köra modellen, kompetensen för att utvärdera den och skydd för känsliga juridiska uppgifter.

Tenet är därför mindre ett avståndstagande från stängda modeller än en satsning på att det nu kan vara praktiskt och strategiskt värdefullt för företagsprogramvara att äga en specialiserad modell.