Harvey, Tenet’i Neden Çin’in Kimi K3 Modeli Üzerine Kurdu?

Harvey’nin Harvey Tenet modelini geliştirme kararı iki pratik ihtiyacın kesişiminde ortaya çıktı: Hukuk yapay zekâsının saatler veya günler sürebilen işlerde daha başarılı olması ve bu işlerin arkasındaki modelin maliyetiyle davranışı üzerinde şirketin daha fazla kontrol sahibi olması. Harvey, sıfırdan bir temel model eğitmek yerine Moonshot AI’ın açık ağırlıklı Kimi K3 modelini hukuk verileri ve avukat geri bildirimleriyle yeniden eğitti.

Harvey hangi sorunu çözmeye çalışıyordu?

Hukuk işleri, basit bir soru-cevap etkileşiminden ibaret değil. Sözleşme inceleme, hukuki durum tespiti, delil analizi ve dava desteği gibi görevler; yapay zekânın uzun süre boyunca bağlamı korumasını, birden fazla adımda karar vermesini ve büyük belge koleksiyonlarını taramasını gerektirebiliyor. Tenet, saniyeler içinde yanıtlanacak sorulardan çok, saatler veya günler sürebilen bu uzun soluklu ve “ajan” tabanlı iş akışları için tasarlandı.

Harvey’nin kendi modelini geliştirmesinin ekonomik bir nedeni de vardı. Şirket, farklı görevleri Anthropic, OpenAI ve Google gibi sağlayıcıların modellerine yönlendiriyordu. Uzmanlaşmış bir modele sahip olmak, temel iş yüklerinde performansı artırmanın yanı sıra dışarıdan alınan model API’lerine olan bağımlılığı ve her talep için ödenen maliyeti azaltabilecek bir seçenek sunuyor.

Tenet nasıl geliştirildi?

Tenet, baştan sona eğitilmiş yeni bir genel amaçlı temel model değil. Raporlara göre Harvey, Moonshot AI’ın daha önce eğitilmiş açık ağırlıklı Kimi K3 modelini temel aldı ve hukuk alanındaki akıl yürütme becerilerini geliştirmek için ek eğitim uyguladı.

Bildirilen eğitim sürecinde şu veri türleri kullanıldı:

• kamuya açık hukuk materyalleri;
• sentetik hukuk görevleri ve simüle edilmiş uyuşmazlıklar;
• örnek dava dosyaları ve sözleşme senaryoları;
• avukatlar ve diğer hukuk uzmanları tarafından oluşturulan, incelenen veya puanlanan örnekler.

Son madde özellikle önemli. Hukuk uzmanlığı yalnızca belgelerden oluşmaz; bir yorumun, müzakere stratejisinin veya çok aşamalı analizin doğru ve makul olup olmadığını değerlendirmek de işin parçasıdır. Avukatların senaryolar hazırlaması ve model çıktılarının kalitesini değerlendirmesi, Harvey’ye gerçek hukuk işlerinin standartlarına daha yakın eğitim ve ölçüm verisi sağlıyor.

Harvey, Tenet’in performansı hakkında ne söylüyor?

Harvey, Tenet’in önde gelen hukuk kıyaslamalarında “sınır model düzeyine” ulaştığını ve ilgili görevlerde güçlü genel amaçlı modellerle benzer performans gösterdiğini belirtiyor.

Şirketin teknik güncellemesine göre Tenet, Kimi K3’ün temel sürümüne kıyasla, daha önce görülmemiş Legal Agent Benchmark görevlerinin neredeyse iki katını tamamladı. LAB Contracts testinde ise tamamlanan görev sayısı yüzde 20 arttı. Harvey ayrıca tüm koşulları geçme oranının LAB’de 9 puan, LAB Contracts’ta 2 puan yükseldiğini bildirdi.

Ayrı bir şirket duyurusunda bu kazanımlar, Kimi K3 tabanına göre LAB’de yüzde 82, LAB Contracts’ta yüzde 22’lik göreli iyileşme olarak sunuldu. Duyuruya göre Tenet, LAB Contracts’ta birinci, genel LAB sıralamasında ise ikinci oldu.

Ancak bu rakamlar şirketin bildirdiği kıyaslama sonuçları. Tenet’in kapalı modellerden her durumda daha doğru olduğunu veya tüm ülkelerdeki ve hukuk alanlarındaki gerçek işlerde güvenilir biçimde çalıştığını kanıtlamıyor. Sunulan kanıtlar ağırlıklı olarak Harvey’nin duyurusu ve bu duyuruya dayanan haberlerden oluşuyor; gerçek dünyadaki hukuk doğruluğuna ilişkin bağımsız doğrulama burada ortaya konmuş değil.

Harvey, model kullanıcısından model sahibine mi dönüşüyor?

Tenet’ten önce Harvey’nin ürün stratejisi öncelikle uygulama katmanına dayanıyordu. Şirket, dış sağlayıcıların sunduğu özel modelleri kullanırken istemleri, iş akışlarını ve görev yönlendirmesini özelleştiriyordu. Bu yöntem, kendi model altyapısını kurup işletme yüküne girmeden güçlü sistemlere erişim sağlıyor.

Tenet’le birlikte modelin Harvey’nin teknoloji yığını içindeki konumu değişiyor:

• Önceki yaklaşım: Kapalı modelleri dış sağlayıcılar üzerinden yönlendirmek veya özelleştirmek.
• Tenet yaklaşımı: Yayınlanmış model ağırlıklarını temel almak, bu ağırlıkları hukuk görevleriyle yeniden eğitmek ve ortaya çıkan uzmanlaşmış modeli ürünün içinde kullanmak.

Bu fark yalnızca teknik değil. Model ağırlıklarına erişim, Harvey’ye modeli kendi verileri, değerlendirmeleri ve ürün iş akışları doğrultusunda tekrar tekrar ayarlama özgürlüğü veriyor. Şirket aynı zamanda hizmet altyapısı ve optimizasyon kararlarını daha doğrudan alabiliyor; kapalı bir API üzerinden her istek için model sağlayıcısına ödeme yapmak zorunda kalmayabiliyor.

“Post-training” yani sonradan eğitim ne demek?

Post-training, bir modelin geniş kapsamlı ilk eğitimi tamamlandıktan sonra uygulanan ek eğitim sürecidir. Bu yöntemde genel dil yeteneği sıfırdan öğretilmez; seçilmiş örnekler, uzman geri bildirimleri, sentetik görevler ve sonuç odaklı değerlendirmeler kullanılarak belirli beceriler veya davranışlar geliştirilir.

Tenet’te hedef, uzun süre devam eden hukuk görevlerinde akıl yürütme becerisiydi. Harvey’nin açıkladığı yöntemde sentetik veriler, kamuya açık hukuk verileri ve insan uzmanlar tarafından hazırlanan veriler kullanıldı; modelin hukuk senaryolarını nasıl ele aldığı daha sonra daha önce görmediği görevlerle ölçüldü.

Bu yöntem, dikey yapay zekâ şirketleri için yeni bir sınır modelini sıfırdan inşa etmekten daha verimli olabilir. Temel model geniş dil ve akıl yürütme yeteneklerini sağlarken, alan odaklı sonradan eğitim müşterilerin gerçekten kullandığı iş akışlarına yoğunlaşıyor.

Açık ağırlıklar neden uzmanlaşmayı ve maliyet kontrolünü kolaylaştırabilir?

Açık ağırlıklı model, sistemin sayısal parametrelerini kuruluşun kendi altyapısında çalıştırmasına ve değiştirmesine imkân verir. Kapalı modellerde ise kullanıcılar, sağlayıcının kontrol ettiği API üzerinden hizmet alır. Kimi K3’ün ağırlıklarının yayımlanması, Harvey’ye hukuk alanına yönelik doğrudan uyarlama yapabileceği bir temel sundu.

Bu kontrol, daha hedefli bir doğruluk artışını destekleyebilir. Şirket, sektöründe veya müşterilerinde önem taşıyan belgeler, görev sıraları ve kalite ölçütleriyle modeli tekrar tekrar eğitip değerlendirebilir. Bu durum modelin otomatik olarak kapalı modellerden daha iyi olacağı anlamına gelmez; ancak dar ve belirli bir kullanım alanı için optimizasyon yapma özgürlüğünü artırır.

Açık ağırlıklar çıkarım ekonomisini de değiştirebilir. Şirket, her istek için kapalı model sağlayıcısının token ücretini ödemek yerine kendi donanımını, sunum yazılımını ve optimizasyon yöntemlerini seçebilir. Bununla birlikte modelin işletilmesi ücretsiz değildir: işlem gücü, donanım, mühendislik, güvenlik ve bakım hâlâ önemli maliyetler oluşturur.

Büyük belge kümelerini işleyen veya uzun süre çalışan hukuk ajanları için her operasyonun maliyetini düşürmek, sürekli ve çok aşamalı hizmetleri ticari olarak sunmayı kolaylaştırabilir. Yetenekli bir temel modeli alan odaklı sonradan eğitimle birleştirmenin arkasındaki iş mantığı bu.

Bu hamle yapay zekâ pazarı için ne söylüyor?

Harvey’nin tercihi, dikey yapay zekâ alanındaki daha geniş bir değişimin dikkat çekici örneklerinden biri. Uygulama şirketlerinin rekabet etmek için mutlaka en büyük genel amaçlı modeli eğitmesi gerekmeyebilir. Bunun yerine özel veriler, uzman geri bildirimleri, değerlendirme sistemleri, iş akışı tasarımı, dağıtım kabiliyeti ve müşteri güveni üzerinden farklılaşabilirler.

Kimi K3 tercihi, jeopolitik açıdan da dikkat çekici. Bu karar, ABD merkezli bir şirketin Çinli bir açık ağırlıklı modeli teknik altyapı olarak kullanabildiğini gösteriyor. Ancak bu, Çin modellerinin her açıdan üstün olduğu anlamına gelmiyor. Odaklanmış bir kurumsal ürün için açık erişim, özelleştirilebilirlik ve potansiyel olarak daha düşük çalıştırma maliyeti; genel amaçlı kıyaslamalardaki sıralamadan daha önemli olabilir.

Yine de temel uyarı geçerli: Açık ağırlıklar kontrolü devreder, tüm maliyet ve riskleri ortadan kaldırmaz. Şirketlerin modeli çalıştıracak altyapıya, performansını değerlendirecek uzmanlığa ve hassas hukuk verileri için güvenlik önlemlerine ihtiyacı sürüyor. Bu nedenle Tenet, kapalı modellerin tamamen reddedilmesinden çok, uzmanlaşmış model sahipliğinin kurumsal yazılım şirketleri için uygulanabilir ve stratejik açıdan değerli hâle geldiğine dair bir bahis olarak görülmeli.