這代表 Harvey 的定位正在改變：公司不再只是把 OpenAI、Anthropic 等第三方基礎模型客製化後整合進產品，而是開始掌握更多模型層的能力。長遠而言，這可能讓 Harvey 更能控制模型的行為、部署方式與運算成本。

不過，Tenet 的亮眼表現目前主要來自 Harvey 自行公布的評測。要判斷它是否真的能在實際法律工作中勝過其他模型，仍需要獨立測試，以及更廣泛的生產環境結果。

Tenet 到底是什麼？

Harvey 將 Tenet 描述為公司首款「專為法律工作進行後訓練」的模型。它不是從零開始訓練的新一代通用基礎模型，而是建立在 Moonshot AI 的開放權重 Kimi K3 之上，再由 Harvey 與 Fireworks AI 合作進行專業化調整。

所謂「後訓練」（post-training），是指模型完成初始基礎訓練後，再利用特定領域的資料、任務與評估方式，改善它在某個專業場景中的表現。Harvey 表示，Tenet 的訓練資料包括公開法律資料、合成資料，以及由人類專家製作、用來模擬長時間法律工作的資料。

因此，Tenet 的重點並不是要成為另一個面向所有人的通用聊天機器人，而是處理合約審閱、法律盡職調查及其他需要多輪推理的法律流程。

Harvey 宣稱 Tenet 表現更好

Harvey 表示，Tenet 在自家的 LAB 法律基準測試中達到業界領先表現，並能泛化至第三方法律基準。公司公布的更新指出，Tenet 在 LAB 保留任務中完成的任務數量，幾乎是基礎版 Kimi K3 的兩倍；在 LAB 合約任務中則增加 20%。兩類任務的「全部通過率」分別提高 9 個百分點及 2 個百分點。

這些數字顯示，後訓練確實可能大幅改善 Kimi K3 在 Harvey 所選評測上的表現。但它們並不能單獨證明 Tenet 在所有競爭模型或真實法律工作中都更好。基準測試的設計、任務選擇、提示方式、評分者，以及實際部署環境，都可能影響最終結果。

目前公開報道也顯示，Tenet 在宣布時的實際推出狀態仍不完全明朗。《Business Insider》報道稱，Harvey 已介紹這款模型，但 Tenet 當時尚未在 Harvey 平台正式上線，公司也沒有說明確切的開放時間。 因此，下一個關鍵觀察點將是它在真實客戶工作流程中的準確度、速度與穩定性。

為什麼選擇 Kimi K3 值得注意？

Harvey 過去與 OpenAI 合作，曾為法律專業打造客製化模型。 這次卻選用 Moonshot AI 的 Kimi K3 作為基礎，格外引人注目，因為 Harvey 原本與西方 AI 供應商關係密切，而法律 AI 平台也普遍依賴 OpenAI、Anthropic 等公司的封閉模型。

採用開放權重模型，讓 Harvey 擁有更大的調整與部署自由度。公司可以自行決定後訓練方法、針對哪些工作負載進行優化，以及如何把不同類型的法律任務分配給不同模型。

代價是，原本由第三方模型供應商承擔的工作，現在有更多落在 Harvey 身上，包括基礎設施、資料準備、資安、品質評估、維護與模型營運。

這也反映出一個務實的產業轉向：對企業用戶而言，模型的來源地未必是唯一考量。只要開放權重模型具備足夠能力，並且能在法律與技術條件允許下被調整，同時帶來較具吸引力的經濟效益，就可能成為商業產品的起點。

當然，這並不會消除模型來源、資安、治理與客戶接受度等問題；相反地，這些因素會成為企業採用模型時必須進行的盡職調查內容。

自己掌握更多模型層，能省多少錢？

對服務大型律師事務所與企業法務部門的平台而言，模型成本會直接影響毛利與產品設計。第三方前沿模型通常按使用量計費；當客戶分析更長的文件、啟動更多代理步驟，或要求模型進行更長時間的推理，成本也會隨之上升。

如果擁有自己的專業模型，Harvey 就有機會把合適的工作負載導向自家控制的基礎設施，而不是每項任務都交由第三方模型處理。

但「開放權重」不等於免費推理。Harvey 仍須負擔運算資源、資料處理、資安系統、品質控制與工程人員的成本。公司則表示，後訓練也鼓勵模型更有效率地使用工具與進行推理，在保持任務表現的情況下減少推理階段消耗的 token 數量。

一種可能的產品分工是：最艱難、最開放式的問題繼續交由昂貴的通用前沿模型處理；可重複、高頻率的法律工作則交給較專門的模型。這有望改善營運經濟，但最終是否真的划算，仍取決於 Tenet 的實際準確度、延遲、使用率與所需運算資源，而不只是基礎模型權重本身的價格。

Harvey 的產品策略正在改變

Harvey 將自己定位為服務律師事務所與專業服務團隊的領域專用 AI。公司網站表示，目前已有超過 2,400 個法律組織使用其平台；Harvey 也表示，產品已部署於律師事務所及企業內部法務部門。

這樣的客戶基礎，為 Harvey 掌握底層技術提供了直接誘因。法律客戶重視的不只是生成答案，還包括一致性、資安、可追溯性，以及在合約分析、盡職調查、合規與訴訟等工作流程中的穩定表現。

Tenet 未來可能成為更整合式平台的一部分，讓 Harvey 同時掌控模型、代理人協調、案件脈絡與專門工作流程。外部報道也提到，這類模型日後可能成為律師事務所根據自身機構知識進行客製化的基礎，但這應被視為未來方向，而不是 Tenet 在推出時已確認具備的功能。

垂直 AI 的更大啟示

Tenet 最重要的意義，可能不在於它是否創造了全新的模型架構，而在於它展示了一條垂直 AI 的可行路線：專業應用公司不必從零訓練前沿基礎模型，也能逐步取得對產品的更多控制權。

一家公司可以把以下四項能力結合起來：

• 以開放權重通用模型作為起點；
• 使用具備產業知識的資料與專家資料；
• 針對特定工作的流程進行後訓練；
• 在產品層掌控代理人、上下文、評估與部署。

這種方式不需要直接投入足以與大型基礎模型開發商競爭的資本與基礎設施，卻可能建立專業領域的差異化。相對地，應用公司也必須承擔更多責任：證明模型可靠、保護敏感資料、監測失誤，並確認基準測試的提升確實能轉化為客戶可用的成果。

對 Harvey 而言，Tenet 同時是一款模型，也是一次垂直整合的測試。公司押注於法律專業知識與工作流程資料，能把開放權重模型轉化為具商業價值的系統；而掌握這款專業模型，則有望改善成本與產品表現的控制力。

目前證據支持 Harvey 正在轉向「不只整合模型，也開始擁有模型能力」的策略。但 Tenet 的實際優勢有多大，仍要等獨立評估，以及它在真實法律工作中的長期表現來回答。

這代表 Harvey 的定位正在改變：公司不再只是把 OpenAI、Anthropic 等第三方基礎模型客製化後整合進產品，而是開始掌握更多模型層的能力。長遠而言，這可能讓 Harvey 更能控制模型的行為、部署方式與運算成本。

不過，Tenet 的亮眼表現目前主要來自 Harvey 自行公布的評測。要判斷它是否真的能在實際法律工作中勝過其他模型，仍需要獨立測試，以及更廣泛的生產環境結果。

Tenet 到底是什麼？

Harvey 將 Tenet 描述為公司首款「專為法律工作進行後訓練」的模型。它不是從零開始訓練的新一代通用基礎模型，而是建立在 Moonshot AI 的開放權重 Kimi K3 之上，再由 Harvey 與 Fireworks AI 合作進行專業化調整。

所謂「後訓練」（post-training），是指模型完成初始基礎訓練後，再利用特定領域的資料、任務與評估方式，改善它在某個專業場景中的表現。Harvey 表示，Tenet 的訓練資料包括公開法律資料、合成資料，以及由人類專家製作、用來模擬長時間法律工作的資料。

因此，Tenet 的重點並不是要成為另一個面向所有人的通用聊天機器人，而是處理合約審閱、法律盡職調查及其他需要多輪推理的法律流程。

Harvey 宣稱 Tenet 表現更好

Harvey 表示，Tenet 在自家的 LAB 法律基準測試中達到業界領先表現，並能泛化至第三方法律基準。公司公布的更新指出，Tenet 在 LAB 保留任務中完成的任務數量，幾乎是基礎版 Kimi K3 的兩倍；在 LAB 合約任務中則增加 20%。兩類任務的「全部通過率」分別提高 9 個百分點及 2 個百分點。

這些數字顯示，後訓練確實可能大幅改善 Kimi K3 在 Harvey 所選評測上的表現。但它們並不能單獨證明 Tenet 在所有競爭模型或真實法律工作中都更好。基準測試的設計、任務選擇、提示方式、評分者，以及實際部署環境，都可能影響最終結果。

目前公開報道也顯示，Tenet 在宣布時的實際推出狀態仍不完全明朗。《Business Insider》報道稱，Harvey 已介紹這款模型，但 Tenet 當時尚未在 Harvey 平台正式上線，公司也沒有說明確切的開放時間。 因此，下一個關鍵觀察點將是它在真實客戶工作流程中的準確度、速度與穩定性。

為什麼選擇 Kimi K3 值得注意？

Harvey 過去與 OpenAI 合作，曾為法律專業打造客製化模型。 這次卻選用 Moonshot AI 的 Kimi K3 作為基礎，格外引人注目，因為 Harvey 原本與西方 AI 供應商關係密切，而法律 AI 平台也普遍依賴 OpenAI、Anthropic 等公司的封閉模型。

採用開放權重模型，讓 Harvey 擁有更大的調整與部署自由度。公司可以自行決定後訓練方法、針對哪些工作負載進行優化，以及如何把不同類型的法律任務分配給不同模型。

代價是，原本由第三方模型供應商承擔的工作，現在有更多落在 Harvey 身上，包括基礎設施、資料準備、資安、品質評估、維護與模型營運。

這也反映出一個務實的產業轉向：對企業用戶而言，模型的來源地未必是唯一考量。只要開放權重模型具備足夠能力，並且能在法律與技術條件允許下被調整，同時帶來較具吸引力的經濟效益，就可能成為商業產品的起點。

當然，這並不會消除模型來源、資安、治理與客戶接受度等問題；相反地，這些因素會成為企業採用模型時必須進行的盡職調查內容。

自己掌握更多模型層，能省多少錢？

對服務大型律師事務所與企業法務部門的平台而言，模型成本會直接影響毛利與產品設計。第三方前沿模型通常按使用量計費；當客戶分析更長的文件、啟動更多代理步驟，或要求模型進行更長時間的推理，成本也會隨之上升。

如果擁有自己的專業模型，Harvey 就有機會把合適的工作負載導向自家控制的基礎設施，而不是每項任務都交由第三方模型處理。

但「開放權重」不等於免費推理。Harvey 仍須負擔運算資源、資料處理、資安系統、品質控制與工程人員的成本。公司則表示，後訓練也鼓勵模型更有效率地使用工具與進行推理，在保持任務表現的情況下減少推理階段消耗的 token 數量。

一種可能的產品分工是：最艱難、最開放式的問題繼續交由昂貴的通用前沿模型處理；可重複、高頻率的法律工作則交給較專門的模型。這有望改善營運經濟，但最終是否真的划算，仍取決於 Tenet 的實際準確度、延遲、使用率與所需運算資源，而不只是基礎模型權重本身的價格。

Harvey 的產品策略正在改變

Harvey 將自己定位為服務律師事務所與專業服務團隊的領域專用 AI。公司網站表示，目前已有超過 2,400 個法律組織使用其平台；Harvey 也表示，產品已部署於律師事務所及企業內部法務部門。

這樣的客戶基礎，為 Harvey 掌握底層技術提供了直接誘因。法律客戶重視的不只是生成答案，還包括一致性、資安、可追溯性，以及在合約分析、盡職調查、合規與訴訟等工作流程中的穩定表現。

Tenet 未來可能成為更整合式平台的一部分，讓 Harvey 同時掌控模型、代理人協調、案件脈絡與專門工作流程。外部報道也提到，這類模型日後可能成為律師事務所根據自身機構知識進行客製化的基礎，但這應被視為未來方向，而不是 Tenet 在推出時已確認具備的功能。

垂直 AI 的更大啟示

Tenet 最重要的意義，可能不在於它是否創造了全新的模型架構，而在於它展示了一條垂直 AI 的可行路線：專業應用公司不必從零訓練前沿基礎模型，也能逐步取得對產品的更多控制權。

一家公司可以把以下四項能力結合起來：

• 以開放權重通用模型作為起點；
• 使用具備產業知識的資料與專家資料；
• 針對特定工作的流程進行後訓練；
• 在產品層掌控代理人、上下文、評估與部署。

這種方式不需要直接投入足以與大型基礎模型開發商競爭的資本與基礎設施，卻可能建立專業領域的差異化。相對地，應用公司也必須承擔更多責任：證明模型可靠、保護敏感資料、監測失誤，並確認基準測試的提升確實能轉化為客戶可用的成果。

對 Harvey 而言，Tenet 同時是一款模型，也是一次垂直整合的測試。公司押注於法律專業知識與工作流程資料，能把開放權重模型轉化為具商業價值的系統；而掌握這款專業模型，則有望改善成本與產品表現的控制力。

目前證據支持 Harvey 正在轉向「不只整合模型，也開始擁有模型能力」的策略。但 Tenet 的實際優勢有多大，仍要等獨立評估，以及它在真實法律工作中的長期表現來回答。