Harvey 為何選擇 Kimi K3，打造自己的法律 AI 模型 Tenet

Harvey 在 2026 年 8 月 18 日推出首個自有法律模型 Harvey Tenet。這次決定的核心，不是要從頭打造另一個通用型 AI 巨頭，而是要讓法律 AI 更能處理漫長、複雜且需要持續判斷的工作，同時降低對外部模型 API 的依賴。

更值得注意的是，Tenet 的基礎據報來自中國 AI 公司 Moonshot AI 的開放權重模型 Kimi K3。Harvey 再以法律資料、合成案例及律師回饋進行後訓練，把一個通用模型改造成針對法律推理與專業工作流程的模型。

Harvey 想解決的問題：法律工作不是一句問答

許多法律工作並非輸入一個問題、等待幾秒便能完成。合約審查、企業併購盡職調查、證據整理、文件比對和訴訟支援，往往需要 AI：

• 長時間維持大量文件的上下文；
• 將工作拆成多個步驟並逐一作出判斷；
• 反覆檢查資料、修正推論；以及
• 在數小時甚至數天內持續執行任務。

Harvey 將這類工作稱為長時程、代理式（agentic）法律任務。傳統聊天機器人較擅長即時問答，但法律代理人需要處理更長的任務鏈，並在每一步都維持一定程度的準確性與一致性。

公司同樣有明確的商業考量。過去 Harvey 會把不同工作分流給 Anthropic、OpenAI 和 Google 等外部供應商的基礎模型。若能將更多請求交由自家模型處理，Harvey 便有機會針對核心法律工作提升效能，也減少每次呼叫封閉模型 API 所產生的依賴與成本。

Tenet 是怎樣訓練出來的？

Tenet 並不是從零開始預訓練的全新基礎模型。更準確地說，它是以一個已具備通用語言與推理能力的開放權重模型為基礎，再進行針對法律領域的額外訓練。

據報其訓練資料包括：

• 公開可取得的法律材料；
• 合成法律任務與模擬爭議；
• 虛構案件檔案與合約情境；以及
• 由律師和其他法律專家建立、審閱或評分的答案與推理過程。

律師的參與尤其關鍵。法律專業不只是記住法條或搜尋文件，也包括判斷某種法律解讀、談判策略或多步驟分析是否合理。由律師設計情境、檢查模型答案，能讓訓練和評估資料更貼近實際法律工作的品質要求。

Harvey 如何形容 Tenet 的表現？

Harvey 表示，Tenet 在多項重要法律基準測試中達到「前沿級」（frontier-level）表現，並在相關法律工作上與領先的通用模型相若。

Harvey 自家的技術更新指出，相較於基礎版 Kimi K3，Tenet 在保留測試的 Legal Agent Benchmark（LAB）任務中完成的數量接近兩倍，在 LAB Contracts 中則多完成 20% 的任務；兩項測試的「全部通過率」分別提升 9 個和 2 個百分點。

另一份公司公告則以相對增幅呈現結果：LAB 的全部通過率提升 82%，LAB Contracts 提升 22%；Tenet 在 LAB Contracts 排名第一，在 LAB 總排名第二。

這些數字應被視為 Harvey 公布的基準測試結果，而不是 Tenet 已被證明在所有封閉模型、司法管轄區或法律案件中都更準確。目前可見證據主要來自 Harvey 的公告及以此為基礎的報導，尚未建立獨立驗證的真實世界法律準確度結論。

從「模型整合者」走向「模型擁有者」

在 Tenet 之前，Harvey 的策略主要是應用程式導向。公司可以透過提示詞、工作流程和模型路由進行客製化，但底層能力主要來自外部供應商提供的封閉模型。這種模式能讓企業快速使用強大的 AI，而不必自行建立完整的模型訓練與部署基礎設施。

Tenet 改變了模型在 Harvey 技術架構中的位置：

• 過去： 透過外部供應商串接、編排或客製化封閉模型。
• 現在： 以已發布的模型權重為基礎，針對法律任務進行後訓練，再把專業模型整合進自家產品。

這不只是工程架構的差異。取得模型權重後，Harvey 可以依照自有資料、評估方法和產品流程反覆調整模型，也能自行決定運算硬體、推理服務和最佳化方式，而不必每次都按照封閉模型供應商的 API 計價模式付費。

什麼是「後訓練」？

後訓練（post-training） 是指模型完成大規模初始訓練後，再透過特定資料與回饋改善能力或行為。它不是從零教模型理解語言，而是利用精選範例、專家評分、合成任務和結果導向的測試，讓模型更擅長某個領域或工作流程。

對 Tenet 而言，目標是法律推理，以及在長時間、多步驟任務中保持穩定表現。Harvey 報告使用合成資料、公開法律資料和人類專家資料進行訓練，並透過保留測試任務檢查模型是否真的有所改善。

對一家專注垂直領域的 AI 公司而言，這種做法可能比從頭訓練前沿基礎模型更有效率。基礎模型先提供廣泛的語言和推理能力，後訓練則把額外資源集中在客戶真正使用的法律情境上。

開放權重為何有助於專業化與成本控制？

「開放權重」是指模型的數值參數可供組織取得、部署和修改；相較之下，封閉模型通常只能透過由供應商控制的 API 使用。Kimi K3 開放權重後，便成為 Harvey 可以直接調整的模型基礎。

這種控制力有助於提高特定領域的準確度。公司可以用自身最關心的文件類型、任務順序和品質標準，反覆訓練與測試模型。這不代表開放權重模型必然勝過封閉模型，但能讓企業更自由地針對狹窄而重要的生產場景進行最佳化。

它也可能改變推理成本的結構。企業可以選擇自己的硬體、服務軟體和最佳化方法，不必每產生一批 token 就按照封閉模型供應商的價格支付 API 費用。不過，開放權重絕不等於免費：運算資源、硬體、工程人員、資安和維護仍會帶來可觀成本。

對需要處理大量文件、長時間運作的法律代理人而言，若每次任務的成本下降，持續或多步驟的服務便更有機會以商業化方式提供。這正是「強大的通用模型基礎＋專業後訓練」背後的商業邏輯。

為何選用中國的 Kimi K3？

Kimi K3 的選擇具有一定戰略意義。它顯示，西方企業可以把中國開源 AI 實驗室推出的開放權重模型，視為可調整的技術基礎設施，而不只是透過 API 租用美國公司的封閉模型。

這並不等於中國模型在所有任務上都更優秀，也不能單憑 Harvey 的選擇推導出整體 AI 實力的結論。對 Harvey 來說，更重要的可能是 Kimi K3 的模型權重可取得、可客製化，以及在特定企業部署情境下可能具備較低的服務成本。

當 AI 開發和推理成本持續上升時，垂直 AI 公司未必需要自行訓練最大、最通用的模型。它們可以利用一個能力足夠強的開放權重基礎，再以專有資料、專家回饋、評估標準、工作流程設計、部署能力和客戶信任建立差異化。

這次轉向對 AI 市場意味著什麼？

Harvey 的案例反映出垂直 AI 市場的一個重要變化：競爭焦點可能正從「誰訓練出最大的基礎模型」，轉向「誰能把模型最可靠、最便宜地嵌入真實工作」。

開放權重模型把部分控制權從模型供應商交回應用公司，但同時也把更多責任交給使用者。企業仍須自行建置基礎設施、驗證模型、保護敏感法律資料，並承擔部署和維護風險。因此，Tenet 與其說是 Harvey 徹底放棄封閉模型，不如說是它押注：對企業軟體公司而言，擁有一個可專業化的模型層，已逐漸變得可行，而且具備戰略價值。