Harvey Tenet为何建立在Kimi K3之上？法律AI开始掌握自己的模型层

Harvey Tenet并不只是又一个面向律师的聊天机器人。它代表着这家法律科技公司战略上的一次转身：Harvey首次把更多精力放在模型本身，而不是只在OpenAI、Anthropic等第三方基础模型之上做产品定制。

Tenet以中国AI公司月之暗面（Moonshot AI）的开放权重模型Kimi K3为基础，由Harvey与Fireworks AI合作进行后训练，目标是处理需要较长时间、多个步骤和持续推理的法律工作。

这背后体现的是垂直领域AI的一种典型路径：不一定从零训练一个通用基础模型，而是选择一个能力足够强的开放权重模型，再利用行业数据、专家经验、工作流和评测体系，把它打磨成更适合特定专业场景的系统。

Tenet究竟是什么？

Harvey将Tenet描述为其首个专门针对法律工作进行后训练的模型。它并非从头开始训练的新一代通用基础模型，而是建立在Kimi K3之上的法律专业版本。

所谓“后训练”，是指模型完成初始基础训练之后，再通过特定数据和训练方法改善其行为。Harvey表示，Tenet使用了公开法律数据、合成数据，以及由人类专家制作、用于模拟长期复杂法律任务的数据。

这些任务包括合同审查、尽职调查，以及其他通常需要律师连续工作数小时甚至数天的流程。换句话说，Tenet的重点不是成为一个“穿上律师外套的通用聊天机器人”，而是更稳定地完成法律场景中的长链条任务。

Harvey如何描述Tenet的表现？

Harvey称，Tenet在其LAB法律基准测试中达到了业界领先水平，并且能够推广到第三方法律基准。公司公布的更新数据显示，与基础版Kimi K3相比，Tenet完成的LAB保留任务数量接近其两倍，完成的LAB合同任务数量增加了20%；两类任务的“全部通过率”分别提高了9个百分点和2个百分点。

这些数据说明，后训练确实可能显著改善基础模型在Harvey所选评测中的表现。但它们并不能单独证明Tenet已经优于所有竞争模型，更不能直接等同于真实法律业务中的最终效果。基准测试的设计、任务选择、提示方式、评分者和实际部署环境，都会影响结果。

目前，Tenet的具体上线节奏也并不完全清晰。《商业内幕》报道称，Harvey已经发布这一模型，但在宣布时Tenet尚未正式运行于Harvey产品中，公司也没有说明确切的可用时间。因此，独立测试以及在真实法律项目中的长期表现，将是评估它的重要下一步。

为什么基础模型来自Kimi K3？

Harvey选择Kimi K3尤其值得关注，因为这家公司此前与西方AI供应商关系密切，也曾与OpenAI合作开发面向法律专业人士的定制模型。

过去，许多法律AI平台主要依赖OpenAI和Anthropic等公司提供的闭源模型。这样的模式可以让应用公司快速获得强大的通用能力，但同时也意味着它们要接受供应商的价格、产品路线、接口政策和基础设施安排。

开放权重模型则提供了更大的改造空间。Harvey可以自行决定如何进行后训练、如何针对不同法律任务优化模型，以及哪些工作应交给Tenet、哪些工作仍适合交由更强的通用模型处理。

当然，开放权重并不意味着没有成本。Harvey仍需承担算力、数据准备、质量控制、安全防护、评测和模型维护等工作；这些环节在使用第三方API时，往往更多由模型供应商负责。

这也说明，模型的来源地对商业用户而言可能不再是唯一判断标准。当一个开放权重系统具备足够能力，并且能够在法律和技术层面被改造、部署，同时带来更有吸引力的经济性时，企业可能会认真考虑它。不过，模型来源、数据溯源、安全、治理和客户接受度仍然是企业采购时必须审查的问题。

自建模型的商业账本

对服务高价值专业工作的法律平台来说，模型成本会直接影响利润率和产品设计。第三方前沿模型通常按照调用量或Token数量收费；当客户处理更长的文件、执行更多代理步骤，或要求模型进行更长时间的推理时，成本也会随之上升。

如果拥有自己的专业模型，Harvey就有机会把适合的任务转移到自己控制的基础设施中，而不必让每一个请求都经过OpenAI或Anthropic等供应商。这样做有望降低部分调用成本，也能让公司更灵活地在准确率、响应速度和价格之间做取舍。

Harvey还表示，后训练过程鼓励模型更高效地使用工具和进行推理，从而减少推理阶段消耗的Token数量。这意味着，成本优势不仅取决于每个Token的价格，也取决于模型完成任务时需要消耗多少Token。

更现实的策略可能是分工：最复杂、最开放式的问题继续交给昂贵的通用前沿模型；合同审查、批量尽调等重复性强、调用量大的工作，则由专门模型处理。Tenet能否真正改善经济性，最终还要看它在实际环境中的准确率、延迟、使用率和基础设施需求，而不只是基础模型权重的价格。

Tenet会如何改变Harvey的产品路线？

Harvey一直将自己定位为服务律师事务所和企业法务团队的垂直AI平台。公司官网称，目前已有超过2400个法律组织使用其平台；其产品覆盖合同分析、尽职调查、合规和诉讼等工作场景。

对于这样的客户群，控制更多底层技术具有实际意义。法律客户通常关注系统在不同案件和工作流中的一致性、安全性、可追溯性与性能，而不仅仅是聊天回答是否流畅。

如果Tenet进一步成熟，它可能成为更一体化平台的基础，让Harvey同时控制模型、AI代理编排、案件上下文和专业工作流。未来，公司也可能允许客户基于自身机构知识进行更深度的模型定制；这一方向已有报道提及，但目前应视为未来可能性，而不是Tenet发布时已经确认的能力。

垂直AI的更大启示

Tenet最重要的意义或许不在于它是不是又一个“最强模型”，而在于它展示了一条更务实的垂直AI路线。

一家专业领域AI公司可以把以下四类资产组合起来：

• 以开放权重通用模型作为起点；
• 使用自有或专家参与制作的行业数据；
• 围绕专业工作流进行针对性后训练；
• 在产品层面控制代理、上下文、评测和部署。

这种方式不要求应用公司投入与顶尖基础模型开发商相当的资本和基础设施，就有机会建立产品差异化。但代价是，应用公司必须承担更多责任：证明系统可靠，保护敏感数据，持续监测失误，并说明基准测试中的提升是否真的能转化为有价值的业务结果。

对Harvey而言，Tenet既是一次模型发布，也是一次垂直整合实验。公司押注的是：法律专业知识和工作流数据能够把一个开放权重基础模型转化为有商业价值的系统；而拥有这个专业模型，则能让它更好地控制成本与产品表现。

目前已有证据支持Harvey正在从“租用模型”转向“掌握更多模型层”的战略变化。但这一变化究竟能带来多大实际优势，仍要等待独立评测，以及Tenet在真实法律工作中的长期表现。