Harvey究竟想解决什么问题？

法律工作往往不是一次问答就能完成的。合同审查、并购尽调、证据梳理和诉讼支持，都可能要求AI持续理解上下文，分阶段做出判断，并处理成批的长文档。Harvey将Tenet定位于这类“长时程、智能体式”的法律工作流，而不是只需几秒钟即可完成的简单问答。

成本同样是关键因素。此前，Harvey主要依赖第三方基础模型，并根据任务类型，在Anthropic、OpenAI和Google等公司的模型之间进行路由。拥有一个专门针对法律工作的模型，可以帮助它进一步优化核心任务的表现，同时降低对外部模型API的依赖。

Tenet是如何训练出来的？

Tenet不是从零开始训练的新型通用基础模型，而是在现有开放权重模型之上创建的专业模型。据相关报道，其底座是月之暗面的Kimi K3，Harvey随后对其进行法律推理方向的额外训练。

据披露，训练数据和流程包括：

• 公开可获得的法律资料；
• 合成法律任务和模拟争议；
• 模拟案件卷宗与合同场景；
• 由律师及其他法律专家创建、审阅或评分的示例。

律师参与尤其重要。法律专业能力并不只是“读过多少法律文本”，还包括判断某种法律解释、谈判策略或多步骤分析是否合理。让律师设计场景并评估模型输出，能为训练和测试引入更接近真实法律工作的质量标准。

Harvey如何描述Tenet的表现？

Harvey称，Tenet在多个重要法律基准测试中达到“前沿级”表现，并在相关任务上与领先的通用模型相当。

Harvey发布的技术更新显示，与Kimi K3基础模型相比，Tenet在留出测试的法律智能体基准（Legal Agent Benchmark，LAB）上完成的任务数量接近其两倍，在LAB Contracts上的完成任务数量则增加了20%。Harvey还称，LAB的“全部通过率”提高了9个百分点，LAB Contracts提高了2个百分点。

另一份公司公告则将提升幅度表述为：LAB的全部通过率相对提高82%，LAB Contracts提高22%；Tenet在LAB Contracts中排名第一，在LAB总榜排名第二。

不过，这些数字应被理解为公司公布的基准测试结果，而不是Tenet在所有司法管辖区、所有法律事务中都更准确的证明。现有证据主要来自Harvey的公告及基于该公告的报道，尚不足以确立其在真实法律工作中的独立验证结果。

从“模型整合者”走向“模型拥有者”

在Tenet之前，Harvey的产品策略主要以应用层为中心。公司通过提示词、工作流和模型路由进行定制，同时调用外部供应商提供的专有模型。这种方式无需自行建设完整的模型技术栈，就能获得强大的通用模型能力。

Tenet改变了模型在Harvey技术栈中的位置：

• 此前： 通过外部供应商编排或定制闭源模型；
• 现在： 从已发布的模型权重出发，针对法律任务进行后训练，并将专业模型直接用于Harvey产品。

这并不只是技术路线的变化。获得模型权重后，Harvey可以根据自己的数据、评测体系和产品流程反复调校模型，也能自行决定部署基础设施和优化方案，而不是每次请求都通过闭源API向模型供应商付费。

“后训练”到底是什么？

后训练（post-training） 是指模型完成大规模基础训练后进行的额外训练。开发者不必重新教会模型通用语言能力，而是使用精选示例、专家反馈、合成任务和结果评测，强化某些具体技能、行为或领域推理能力。

对Tenet而言，目标是让模型更擅长处理持续时间较长的法律推理任务。Harvey称，其训练方案结合了合成数据、公开法律数据和人类专家数据，并通过留出任务检验模型在法律场景中的表现。

对于垂直领域AI公司而言，这种方式可能比从头打造新的前沿基础模型更高效：底座模型提供广泛的语言和推理能力，领域后训练则把额外资源集中投入客户真正使用的工作流。

为什么开放权重有助于专业化和成本控制？

所谓开放权重模型，是指模型经过训练后的数值参数可以被组织获取、运行和修改；与之相对，闭源模型通常只能通过供应商控制的API访问。Kimi K3发布了模型权重，为Harvey提供了一个能够直接改造、部署的法律AI底座。

这种控制权有助于提高针对性。公司可以围绕本行业或客户真正关心的文档类型、任务步骤和质量标准，持续训练和评测模型。它并不意味着开放权重模型必然优于闭源模型，但确实给了公司更大的空间，去优化一个明确的生产场景。

开放权重也可能改变推理成本结构。公司可以自行选择硬件、服务软件和优化方案，而不是每生成一段文本就按照闭源模型供应商的价格付费。但“开放”不等于“免费”：算力、硬件、工程人员、安全措施和日常维护仍会带来相当大的成本。

对于需要处理大量文档、长时间运行的法律智能体而言，如果每次任务的执行成本下降，持续运行或多步骤工作流就更容易形成可行的商业产品。这正是“高能力底座模型+领域后训练”的商业逻辑。

Harvey的转向透露出怎样的行业信号？

Harvey的选择体现了垂直领域AI正在出现的一种变化：应用公司未必需要通过训练规模最大的通用模型来竞争。它们也可以凭借专业数据、专家反馈、评测体系、工作流设计、部署能力和客户信任建立壁垒。

选择Kimi K3还有一层战略意义：一家西方公司将中国AI实验室的开放权重模型当作技术基础设施使用，说明在AI开发成本不断上升之际，模型的可获得性和可定制性可能比其在通用基准中的绝对排名更重要。这里的吸引力并不是“中国模型全面领先”的证明，而是开放权重可能为专注于特定企业场景的产品带来更大的控制空间，以及潜在的更低服务成本。

当然，开放权重带来的是控制权，而不是自动消除所有成本和风险。企业仍需要运行模型所需的基础设施、评估模型的专业能力，以及保护敏感法律数据的安全措施。

因此，Tenet与其说是彻底告别闭源模型，不如说是Harvey押注了一种正在变得可行、且对企业软件公司越来越有战略价值的路径：拥有并运营一个经过专业化训练的模型层，而不是永远租用别人的模型能力。

Harvey究竟想解决什么问题？

法律工作往往不是一次问答就能完成的。合同审查、并购尽调、证据梳理和诉讼支持，都可能要求AI持续理解上下文，分阶段做出判断，并处理成批的长文档。Harvey将Tenet定位于这类“长时程、智能体式”的法律工作流，而不是只需几秒钟即可完成的简单问答。

成本同样是关键因素。此前，Harvey主要依赖第三方基础模型，并根据任务类型，在Anthropic、OpenAI和Google等公司的模型之间进行路由。拥有一个专门针对法律工作的模型，可以帮助它进一步优化核心任务的表现，同时降低对外部模型API的依赖。

Tenet是如何训练出来的？

Tenet不是从零开始训练的新型通用基础模型，而是在现有开放权重模型之上创建的专业模型。据相关报道，其底座是月之暗面的Kimi K3，Harvey随后对其进行法律推理方向的额外训练。

据披露，训练数据和流程包括：

• 公开可获得的法律资料；
• 合成法律任务和模拟争议；
• 模拟案件卷宗与合同场景；
• 由律师及其他法律专家创建、审阅或评分的示例。

律师参与尤其重要。法律专业能力并不只是“读过多少法律文本”，还包括判断某种法律解释、谈判策略或多步骤分析是否合理。让律师设计场景并评估模型输出，能为训练和测试引入更接近真实法律工作的质量标准。

Harvey如何描述Tenet的表现？

Harvey称，Tenet在多个重要法律基准测试中达到“前沿级”表现，并在相关任务上与领先的通用模型相当。

Harvey发布的技术更新显示，与Kimi K3基础模型相比，Tenet在留出测试的法律智能体基准（Legal Agent Benchmark，LAB）上完成的任务数量接近其两倍，在LAB Contracts上的完成任务数量则增加了20%。Harvey还称，LAB的“全部通过率”提高了9个百分点，LAB Contracts提高了2个百分点。

另一份公司公告则将提升幅度表述为：LAB的全部通过率相对提高82%，LAB Contracts提高22%；Tenet在LAB Contracts中排名第一，在LAB总榜排名第二。

不过，这些数字应被理解为公司公布的基准测试结果，而不是Tenet在所有司法管辖区、所有法律事务中都更准确的证明。现有证据主要来自Harvey的公告及基于该公告的报道，尚不足以确立其在真实法律工作中的独立验证结果。

从“模型整合者”走向“模型拥有者”

在Tenet之前，Harvey的产品策略主要以应用层为中心。公司通过提示词、工作流和模型路由进行定制，同时调用外部供应商提供的专有模型。这种方式无需自行建设完整的模型技术栈，就能获得强大的通用模型能力。

Tenet改变了模型在Harvey技术栈中的位置：

• 此前： 通过外部供应商编排或定制闭源模型；
• 现在： 从已发布的模型权重出发，针对法律任务进行后训练，并将专业模型直接用于Harvey产品。

这并不只是技术路线的变化。获得模型权重后，Harvey可以根据自己的数据、评测体系和产品流程反复调校模型，也能自行决定部署基础设施和优化方案，而不是每次请求都通过闭源API向模型供应商付费。

“后训练”到底是什么？

后训练（post-training） 是指模型完成大规模基础训练后进行的额外训练。开发者不必重新教会模型通用语言能力，而是使用精选示例、专家反馈、合成任务和结果评测，强化某些具体技能、行为或领域推理能力。

对Tenet而言，目标是让模型更擅长处理持续时间较长的法律推理任务。Harvey称，其训练方案结合了合成数据、公开法律数据和人类专家数据，并通过留出任务检验模型在法律场景中的表现。

对于垂直领域AI公司而言，这种方式可能比从头打造新的前沿基础模型更高效：底座模型提供广泛的语言和推理能力，领域后训练则把额外资源集中投入客户真正使用的工作流。

为什么开放权重有助于专业化和成本控制？

所谓开放权重模型，是指模型经过训练后的数值参数可以被组织获取、运行和修改；与之相对，闭源模型通常只能通过供应商控制的API访问。Kimi K3发布了模型权重，为Harvey提供了一个能够直接改造、部署的法律AI底座。

这种控制权有助于提高针对性。公司可以围绕本行业或客户真正关心的文档类型、任务步骤和质量标准，持续训练和评测模型。它并不意味着开放权重模型必然优于闭源模型，但确实给了公司更大的空间，去优化一个明确的生产场景。

开放权重也可能改变推理成本结构。公司可以自行选择硬件、服务软件和优化方案，而不是每生成一段文本就按照闭源模型供应商的价格付费。但“开放”不等于“免费”：算力、硬件、工程人员、安全措施和日常维护仍会带来相当大的成本。

对于需要处理大量文档、长时间运行的法律智能体而言，如果每次任务的执行成本下降，持续运行或多步骤工作流就更容易形成可行的商业产品。这正是“高能力底座模型+领域后训练”的商业逻辑。

Harvey的转向透露出怎样的行业信号？

Harvey的选择体现了垂直领域AI正在出现的一种变化：应用公司未必需要通过训练规模最大的通用模型来竞争。它们也可以凭借专业数据、专家反馈、评测体系、工作流设计、部署能力和客户信任建立壁垒。

选择Kimi K3还有一层战略意义：一家西方公司将中国AI实验室的开放权重模型当作技术基础设施使用，说明在AI开发成本不断上升之际，模型的可获得性和可定制性可能比其在通用基准中的绝对排名更重要。这里的吸引力并不是“中国模型全面领先”的证明，而是开放权重可能为专注于特定企业场景的产品带来更大的控制空间，以及潜在的更低服务成本。

当然，开放权重带来的是控制权，而不是自动消除所有成本和风险。企业仍需要运行模型所需的基础设施、评估模型的专业能力，以及保护敏感法律数据的安全措施。

因此，Tenet与其说是彻底告别闭源模型，不如说是Harvey押注了一种正在变得可行、且对企业软件公司越来越有战略价值的路径：拥有并运营一个经过专业化训练的模型层，而不是永远租用别人的模型能力。