點解 Harvey 唔再「租用」AI，而係用中國 Kimi K3 造 Tenet？

Harvey 推出 Harvey Tenet，背後其實有兩個非常實際的原因：第一，法律 AI 要處理的工作往往唔係問一句、答一句，而係要連續幾個鐘甚至幾日咁樣分析文件、作判斷同執行多個步驟；第二，公司希望更好控制模型的成本、表現同運作方式。與其由零開始訓練一個基礎模型，Harvey 選擇以 Moonshot AI 的中國開放權重模型 Kimi K3 為基礎，再用法律資料同律師意見作後訓練。

Harvey 想解決咩問題？

不少法律工作都遠比一般聊天機械人問答複雜。合約審閱、盡職調查、證據整理同訴訟支援，可能涉及大量文件，而且 AI 要保持上下文、逐步作決定，再將結果串連起來。Harvey 將 Tenet 設計成應付呢類「長時段」、具代理能力的工作流程，即係由幾個鐘到幾日先完成的任務。

公司亦有商業考慮。過去 Harvey 主要依靠第三方基礎模型，按不同工作需要，將任務分流到 Anthropic、OpenAI 同 Google 等供應商的系統。擁有一個法律專用模型，可以令 Harvey 更集中改善核心工作表現，同時減少對外部模型 API 的依賴。

Tenet 係點樣訓練出來？

Tenet 唔係由頭訓練的全新通用基礎模型，而係以一個已經訓練好的開放權重模型作底，再針對法律推理能力進行額外訓練。報道指，相關基礎模型係 Moonshot AI 的 Kimi K3。

據公開資料，訓練材料包括：

• 公開可取得的法律資料；
• 合成法律任務同模擬爭議；
• 虛構案件檔案同合約情境；以及
• 由律師及其他法律專家設計、審閱或評分的示例。

最後一部分尤其關鍵。法律專業唔只係記住大量文件，仲要判斷某個法律解讀、談判策略或者多步分析係咪合理。由律師設計情境，再評估模型答案，Harvey 就可以建立更貼近實際法律工作標準的訓練同測試資料。

Harvey 點樣形容 Tenet 的表現？

Harvey 形容 Tenet 在多項重要法律基準測試上達到「前沿級」表現，並指佢在相關法律工作上可媲美領先的通用模型。

Harvey 自己發布的技術更新表示，相比 Kimi K3 基礎模型，Tenet 在留出的 Legal Agent Benchmark（LAB）任務中完成的數量接近多一倍，而在 LAB Contracts 就多完成 20%。Harvey 亦報告，LAB 的 all-pass rate 提高 9 個百分點，LAB Contracts 就提高 2 個百分點。

另一份公司公告則以相對增幅描述結果，指 LAB 提升 82%，LAB Contracts 提升 22%；公告又稱 Tenet 在 LAB Contracts 排名第一，在 LAB 整體排名第二。

不過，呢啲始終係基於公司公布的基準測試結果，唔應直接視為 Tenet 在所有司法管轄區、所有法律案件上，都一定比封閉模型準確。現有資料主要來自 Harvey 的公告及相關報道，尚未足以證明其在真實法律工作中的準確度已獲獨立全面驗證。

由「模型整合商」變成「模型擁有人」

Tenet 出現之前，Harvey 的策略主要係以應用程式為核心。公司可以透過提示詞、工作流程同模型分流，去調整外部供應商提供的專有模型；好處係唔使自行建立及維持完整模型系統，就可以使用能力較強的模型。

Tenet 就改變了模型在 Harvey 技術架構中的位置：

• 以前： 透過外部供應商協調及客製化封閉模型。
• 現在： 以已公開的模型權重為起點，用法律任務作後訓練，再將專用模型整合入自己的產品。

呢個分別唔只係技術層面。取得模型權重後，Harvey 可以按照自己的資料、評估標準同產品流程反覆調整模型；在部署層面，亦可以自行決定硬件、服務軟件同優化方式，而唔係每次收到請求都要經封閉 API 向模型供應商付費。

乜嘢叫「後訓練」？

後訓練（post-training），係指模型完成最初的廣泛訓練之後，再接受額外訓練。開發者唔需要由零教模型理解語言，而係利用精選示例、專家意見、合成任務同結果評估，集中改善某種能力或行為。

對 Tenet 而言，目標係提升模型處理長時間、具代理能力的法律任務的能力。Harvey 報告指，團隊將合成資料、公開法律資料同人類專家資料結合，用來訓練及測試模型處理法律情境，再以留出的任務檢驗結果。

對一間專注垂直領域的 AI 公司來講，呢種方法可能比由零開始打造全新前沿模型更有效率。基礎模型已經提供一般語言同推理能力，後訓練就將額外資源集中投放喺客戶真正會用到的工作流程上。

開放權重點解可能帶來更高專門化同更低成本？

所謂開放權重模型，即係模型經訓練後的數值參數可以交畀機構自行運行及修改；相反，封閉模型通常只可以透過由供應商控制的 API 使用。Kimi K3 公開模型權重後，Harvey 就有一個可以直接調整、再部署的基礎。

呢種控制力有助針對特定行業提升準確度。公司可以持續用最重要的文件類型、任務次序同品質標準去訓練及評估模型，令模型更加貼近自身業務。當然，開放權重唔代表模型必然比封閉模型好，而係提供更多空間，針對一個較窄的生產用途作優化。

開放權重亦可能改變推理成本。公司可以自行選擇硬件、部署軟件同優化技術，而唔使每次產生 token 都按封閉模型供應商的 API 價格付款。不過，模型權重本身免費，唔代表運行模型免費：算力、硬件、工程、保安同維護仍然會帶來相當成本。

對於要處理大量文件、或者長時間持續運行的法律代理工具，降低每次操作的成本，可能令連續及多步驟工作流程更容易以商業方式提供。將一個能力較強的基礎模型，同法律專用後訓練結合，正正係 Harvey 背後的商業邏輯。

Harvey 的轉向，對 AI 市場有咩啟示？

Harvey 的做法反映垂直 AI 正出現一個更廣泛的轉變：應用公司未必要靠訓練最大、最通用的模型取勝，亦可以靠專門資料、專家回饋、評估方法、工作流程設計、部署能力同客戶信任建立優勢。

而選用 Kimi K3 的意義亦相當值得留意。呢件事顯示，即使美國及中國的 AI 實驗室仍然處於更廣泛的地緣政治及商業競爭之中，一間西方公司仍然可以將中國開放權重模型視為技術基礎設施。吸引 Harvey 的未必係 Kimi K3 在所有通用基準都勝出，而係佢的開放性、可客製化程度，以及可能較低的服務成本，對一個專注企業法律工作的產品或許更加重要。

當然，開放權重轉移的是控制權，唔係將所有成本同風險一筆勾銷。公司仍然要有能力運行模型、評估表現，亦要為敏感法律資料建立足夠保障。因此，Tenet 與其話係 Harvey 完全放棄封閉模型，不如話係一次押注：專門模型的擁有權，對企業軟件公司而言正變得可行，而且具有策略價值。