Чому Harvey обрала китайську Kimi K3 для власної юридичної ШІ-моделі Tenet

Рішення Harvey створити Harvey Tenet було продиктоване двома практичними причинами. По-перше, юридичному ШІ потрібна була краща якість у завданнях, що розгортаються протягом годин або навіть днів. По-друге, компанія хотіла сильніше контролювати вартість і поведінку моделей, які обробляють таку роботу. Замість того щоб навчати фундаментальну модель з нуля, Harvey взяла відкриту модель Kimi K3 від китайської Moonshot AI та донавчила її на юридичних даних і за відгуками правників.

Яку проблему намагалася розв’язати Harvey

Багато юридичних завдань не зводяться до короткого запитання й однієї відповіді. Перевірка договорів, due diligence, аналіз доказів і підтримка судових процесів вимагають від ШІ зберігати контекст, ухвалювати рішення в кілька етапів і працювати з великими масивами документів. Tenet розробляли саме для таких довгих агентних сценаріїв — завдань, які можуть займати години або дні, а не секунди.

Є й економічна причина. Раніше Harvey покладалася на фундаментальні моделі сторонніх постачальників і спрямовувала різні типи запитів до систем Anthropic, OpenAI та Google. Власна спеціалізована модель дає змогу окремо оптимізувати роботу на ключових юридичних сценаріях і зменшити залежність від зовнішніх API.

Як навчали Tenet

Tenet — не нова універсальна фундаментальна модель, яку повністю навчили з нуля. Це спеціалізована система, створена на базі вже наявної моделі з відкритими вагами — за повідомленнями, Kimi K3 — із подальшим навчанням для юридичного міркування.

До навчального набору, за наявними даними, увійшли:

• загальнодоступні юридичні матеріали;
• синтетичні юридичні завдання та змодельовані спори;
• тестові матеріали справ і сценарії роботи з договорами;
• приклади, створені, перевірені або оцінені адвокатами та іншими юридичними експертами.

Останній пункт особливо важливий. Юридична експертиза — це не лише набір документів, а й уміння оцінити, чи є переконливими певне тлумачення, стратегія переговорів або багатокроковий аналіз. Коли правники створюють сценарії та оцінюють відповіді моделі, Harvey отримує дані, ближчі до стандартів реальної юридичної роботи.

Що Harvey говорить про результати

Harvey описує Tenet як модель із «фронтирним рівнем» результатів на відомих юридичних тестах і заявляє, що для відповідних завдань вона працює на рівні провідних універсальних моделей.

У власному технічному оновленні компанія повідомила, що Tenet виконала майже вдвічі більше відкладених завдань тесту Legal Agent Benchmark, ніж базова Kimi K3, а в LAB Contracts — на 20% більше. Також Harvey заявила про зростання частки завдань, виконаних без жодної помилки, на 9 процентних пунктів у LAB і на 2 процентні пункти в LAB Contracts.

В окремому оголошенні ці результати подано як відносне покращення на 82% для LAB і на 22% для LAB Contracts. За словами компанії, Tenet посіла перше місце в LAB Contracts і друге — у загальному рейтингу LAB.

Ці цифри варто сприймати саме як заяви про результати бенчмарків, а не як доказ універсальної переваги Tenet над закритими моделями. Надані матеріали переважно містять оголошення Harvey та публікації, що на ньому ґрунтуються; незалежне підтвердження точності моделі в реальній юридичній практиці для всіх юрисдикцій і типів справ тут відсутнє.

Від інтегратора моделей до власника моделі

До запуску Tenet стратегія Harvey була передусім орієнтована на застосунок. Компанія налаштовувала промпти, робочі процеси та маршрутизацію запитів, використовуючи закриті моделі зовнішніх постачальників. Такий підхід дає доступ до потужних систем без необхідності самостійно будувати й обслуговувати весь модельний стек.

Tenet змінює місце моделі в технологічній архітектурі Harvey:

• Раніше: оркеструвати або налаштовувати закриті моделі через зовнішні сервіси.
• Тепер: взяти опубліковані ваги моделі, донавчити їх на юридичних завданнях і використовувати спеціалізовану систему у власному продукті.

Це не лише технічна відмінність. Доступ до ваг дає Harvey більше свободи для налаштування моделі на власних даних, тестах і робочих процесах. Компанія також може самостійно обирати інфраструктуру обслуговування та методи оптимізації, а не платити постачальнику за кожен запит до закритого API.

Що таке післянавчання

Післянавчання — це додаткове навчання моделі після завершення її широкого початкового тренування. Воно не формує загальну мовну здатність з нуля, а використовує підібрані приклади, відгуки експертів, синтетичні завдання та оцінювання результатів, щоб посилити конкретні навички або бажану поведінку.

У випадку Tenet цільовою навичкою було юридичне міркування в довготривалих завданнях. За повідомленням Harvey, компанія поєднала синтетичні, загальнодоступні та створені експертами дані, а потім перевіряла модель на відкладених завданнях.

Для компанії, що створює вертикальний ШІ для окремої галузі, такий підхід може бути ефективнішим, ніж розробка нової фронтирної моделі. Базова модель уже забезпечує широкі мовні та міркувальні можливості, а післянавчання спрямовує додаткові ресурси на ті робочі процеси, якими клієнти користуються на практиці.

Чому відкриті ваги важливі для спеціалізації та вартості

Модель із відкритими вагами надає організації доступ до числових параметрів, необхідних для її запуску та модифікації. Це відрізняється від закритої моделі, доступної лише через API, який контролює постачальник. Опубліковані ваги Kimi K3 дали Harvey основу, яку можна було безпосередньо адаптувати до юридичної роботи.

Такий контроль може допомогти підвищити точність у вузькій галузі. Компанія здатна знову й знову навчати та тестувати модель на документах, послідовностях завдань і критеріях якості, важливих саме для її клієнтів. Це не гарантує переваги над закритою моделлю, але розширює можливості оптимізації під конкретний виробничий сценарій.

Відкриті ваги можуть змінити й економіку інференсу — виконання моделі під час обробки запитів. Компанія може обирати власне обладнання, програмне забезпечення для обслуговування та методи оптимізації, замість того щоб платити закритому постачальнику за кожен токен. Водночас модель не є безкоштовною: значних витрат потребують обчислення, обладнання, інженерна інфраструктура, безпека та технічне обслуговування.

Для юридичних агентів, які можуть опрацьовувати великі набори документів або працювати тривалий час, зниження вартості кожної операції робить безперервні й багатокрокові процеси комерційно реалістичнішими. У цьому й полягає бізнес-логіка поєднання потужної базової моделі зі спеціалізованим післянавчанням.

Що цей крок говорить про ринок ШІ

Рішення Harvey — показовий приклад ширшої зміни у вертикальному ШІ. Компаніям, які створюють продукти для конкретної галузі, не обов’язково конкурувати, навчаючи найбільшу універсальну модель. Вони можуть перемагати завдяки спеціалізованим даним, відгукам експертів, власним системам оцінювання, дизайну робочих процесів, якості розгортання та довірі клієнтів.

Вибір Kimi K3 має і геополітичне значення. Він показує, що американська компанія може використовувати китайську модель із відкритими вагами як технологічну основу — навіть на тлі ширшої конкуренції між провідними ШІ-лабораторіями США та Китаю. Привабливість такого рішення не доводить універсальної переваги китайських моделей. Йдеться про те, що відкритість, можливість модифікації та потенційно нижча вартість обслуговування можуть бути важливішими за позицію в загальних бенчмарках для сфокусованого корпоративного продукту.

Водночас відкриті ваги передають компанії контроль, але не усувають усіх витрат і ризиків. Потрібні інфраструктура для запуску моделі, фахівці для її оцінювання та запобіжники для захисту конфіденційних юридичних даних. Тому Tenet — це не стільки відмова від закритих моделей, скільки ставка на те, що володіння спеціалізованою моделлю стає практичним і стратегічно цінним для корпоративних розробників програмного забезпечення.