【Harvey官宣推出自有模型引发AI圈关注】一个礼拜前美国法律科技公司Harvey在X上官宣了一则消息隆重推出基于Kimi K3训练的首个自有模型Harvey Tenet。消息一出迅速在AI圈掀起了一场波澜。基于开源模型后训练的事已经屡见不鲜。早在3月份Cursor的自研编程模型Composer 2就被扒出是基于Kimi K2.5训练的DoorDash、Airbnb等企业也纷纷部署开源模型进行“降本”。【为何Harvey的“自有模型”引发大关注】为何一家法律科技公司的“自有模型”在国内外引发了如此大的关注答案在于Harvey可能是最不应该选择中国模型的AI公司。诞生于2022年的Harvey先后获得了OpenAI、红杉资本、a16z等机构的注资市场估值已经达到110亿美元全球75家以上Am Law 100律所都是Harvey的客户。而且Harvey的产品原型就是建立在OpenAI模型上的双方还曾合作训练面向美国判例法的定制模型。正是这样一家被视为OpenAI“亲儿子”的公司在训练自己的第一款基础模型时选择以中国的开源模型为底座。那么OpenAI的“亲儿子”为什么要独立求生【Harvey与OpenAI的复杂关系】Harvey与OpenAI的关系远非寻常的“投资者与被投资者”。一位创始人曾是证券和反垄断律师另一位创始人有过DeepMind和Meta的工作经历。两人最初只是用GPT - 3测试法律问答随后获得了OpenAI Startup Fund领投的500万美元种子融资。在Harvey的早期故事里OpenAI既是资本来源也是最重要的技术靠山。到了2023年Harvey完成8000万美元B轮融资时OpenAI和红杉资本继续参与。Harvey在融资公告中明确表示公司正在与OpenAI合作开发面向专业服务行业的领域模型。双方的分工一度非常清晰。OpenAI负责提供越来越强的通用模型Harvey负责理解律师、法律文件和律所工作流再把模型包装成法律行业可以使用的产品。OpenAI拥有模型Harvey拥有客户双方处在产业链的上下游。【上下游关系出现裂痕】可当基础模型公司开始进入应用层上下游关系出现了裂痕。时间来到2026年合同管理软件公司Ironclad的联合创始人Jason Boehmig加入OpenAI负责开发面向法律行业的产品直接与大型律所合作。站在Harvey的立场上过去的盟友正在成为潜在竞争者。如果Harvey最核心的能力始终建立在OpenAI等闭源模型之上OpenAI在内的上游模型厂商一旦直接进入法律工作流Harvey就很难形成真正独立的技术边界和竞争壁垒。这也是大多数AI应用公司的困境。当基础模型的能力还在快速进步时应用公司依靠提示词、知识库和工作流建立起来的优势随时可能被下一次模型更新覆盖。昨天还需要专门开发的功能明天可能就会成为通用模型的标准能力。模型供应商只要向下走一步就可能吃掉应用公司的价值。【Harvey面临的成本问题】除了生存压力Harvey还面临另一个问题——成本。Harvey联合创始人Gabe Pereyra在媒体采访时表示2026年1月至6月Harvey平台每月消耗的Token数量从约1万亿增长到了14.5万亿半年增长超过14倍。模型调用正在从技术采购费变成影响毛利率的成本中心。原因并不难解释。不同于一问一答的聊天机器人一个法律Agent可能要读取数百份文件连续搜索判例反复调用工具对不同结论进行验证……任务越复杂调用链条越长Agent越普及Token消耗增长越快。由此形成了一种隐蔽的成本陷阱客户和收入属于Harvey但伴随业务规模不断增长的模型成本则在持续流向供应商。对于一家估值110亿美元、试图成为法律AI基础设施的公司来说这种结构很难长期维持。【中国开源模型带来“出逃”机会】中国的开源模型 制造了一次 “ 出逃 ” 机会。Kimi K3代表的开源模型为Harvey制造了“逃离”OpenAI的机会。2026年7月月之暗面正式开源了Kimi K3总参数达到2.8万亿支持百万Token上下文重点能力指向编程、知识工作和长周期Agent任务。独立AI评测平台Artificial Analysis使用Harvey LAB - AA对Kimi K3进行了详细测试在衡量法律交付物质量的通过率评测中Kimi K3以94.6%的通过率排名第一超过Claude Fable 5在更严格的“整项任务全通过率”评测中Kimi K3以26.7%的成绩位居第一接近第二名Claude Fable 5的两倍。Kimi K3并没有在所有测试中全面超过最强闭源模型但差距已经缩小到足以改变企业选型。对于Harvey而言第一次看到了开源模型替代闭源模型的可行性律师的工作很少是回答一道孤立的问题通常需要模型在大量材料中持续工作建立事实关系、识别冲突、判断风险、补充引用一个模型的Agent能力、对复杂知识的处理能力远比“答对一道题”有价值。【促使Harvey基于Kimi K3做后训练的因素】让Harvey下决心基于Kimi K3做后训练的还有两个不可或缺的因素。第一个是价格。第三方评测平台Arena的数据显示Kimi K3位于能力—成本的帕累托前沿以约0.62美元的任务成本取得约 10.5%的综合净改善不足Claude Opus 5 (Max) 的1/5硅谷知名天使投资人杰森·卡拉卡尼斯则表示Anthropic和OpenAI 的一些大客户部署Kimi后成本降低了90%。第二个是权限。有别于闭源模型调参数、写提示词的局限性Harvey可以在Kimi K3的基础上修改模型适应自己的法律数据、任务环境和评价体系可以根据任务成本优化推理路径可以选择不同基础设施部署……一个向Harvey出售智能另一个允许Harvey把智能变成自己的生产资料。按照Harvey在官方技术博客中公开的信息并非简单“拿法律材料微调”搭建了约1750个法律任务环境将律师的事实判断、引用要求、风险评级、修改建议和交付格式拆成可评分的专家标准让模型反复完成完整任务再用律师制定的标准进行打分通过强化学习把更好的工作方法写进模型。Legal Agent Bench的测试结果显示Tenet的“整项任务全部通过率”为19.7%高于Fable 5的11.5%和GPT - 5.6 Sol的2.5%在企业法律任务组成的APEX Agents测试中Tenet得到74.0%同样高于Fable 5的67.4%和GPT - 5.6 Sol的60.3%。目前Tenet仍处于研究预览阶段但已经在Harvey LAB测试中达到SOTA。简单来说Kimi提供的是前沿通用能力Harvey负责让模型像一名律师一样工作先读什么如何搜索怎样判断证据是否充分什么时候应该提示风险最后以什么格式交付成果。【AI应用的“普罗米修斯”时刻】Harvey迈出的一小步可能是改写AI应用市场格局的一大步。一个不应该被忽略的细节在于Tenet的后训练仅用了约150块NVIDIA B300只花了两个月的时间。用极低的算力和成本验证了一条可以被其他行业复用的路径点燃了垂直AI公司自主造模的“火种”即开放权重模型行业专家数据任务评价环境后训练专有的垂直模型能力。很长一段时间里打造前沿模型都是少数AI公司的游戏。从零训练一款通用基础模型需要巨额算力、海量数据、完整的研究团队和持续迭代的基础设施。法律、医疗、金融、制造等行业公司即使掌握大量专业知识也无法参与模型本身的建设。通常只能接入闭源API然后在外层增加提示词、知识库、工作流和产品界面。这种模式创造了第一代AI应用却也带来了一个问题应用公司拥有场景却没有完全拥有能力。Harvey提供了另一种可能。无须重新预训练一个通用模型而是基于Kimi K3等开源模型直接训练法律工作所需要的专业能力。后续出现了更强的开放模型还可以将任务环境、评价标准和反馈数据迁移到新的底座上。模型门槛向下拉的同时行业知识的门槛将被向上推。未来最有能力复制Harvey Tenet路线的不会是所有接入大模型的创业公司需要同时具备四项资产真实业务数据、行业专家、可量化的评价标准以及能够形成反馈闭环的客户工作流。比如医疗公司需要知道什么样的诊疗建议存在遗漏什么证据不足以支持结论金融公司需要定义风险评级、信息引用和合规边界制造企业则需要把故障判断、工艺经验和操作规范拆解成模型可以评分的任务……这些标准很难从公开语料中获得可以说是垂直公司构建壁垒的绝佳机会。诚如Harvey官方的表态下一步要把算力从1000卡扩到10000 做全参数微调还要尝试更多开放底座......目标是让每家律所都能拥有自己的专有模型。韩国Digital Today、Global Economic、日本Livedoor等媒体已将Harvey案例写入“垂直AI公司摆脱前沿模型API依赖”的产业趋势。做一个预判的话AI应用公司不再只是基础模型能力的经销商新的商业飞轮已经形成客户越多任务环境越丰富专家反馈越多评价体系越精确模型能力越强产品与通用大模型之间的差异也就越大。当越来越多的AI应用公司转向开源模型将彻底打破“只有闭源顶级大模型才能支撑商业应用”的固有认知将开源模型从“低成本平替”推向“产业数字基础设施”的核心地位让“强开源底座 深度垂直后训练”成为千行百业数智化转型的新范式。【写在最后AI应用层或引发“独立战争”】Harvey基于Kimi K3打造自有模型的故事看似是一次单纯的技术选型更迭却可能在应用层引发一场“独立战争”。大模型竞赛的下半场聚光灯正在发生偏移。只能套壳的AI应用或将成为上一个时代的产品千千万万个“Harvey”组成的去中心化、专业化的垂直行业模型将以前所未有的速度拔地而起。与此同时中国的开源模型陆续占领全球AI应用公司的底座将成为闭源巨头无法撼动的事实。未来AI应用市场又将走向何方呢 美国法律科技公司Harvey弃OpenAI，基于中国开源模型Kimi K3打造自有模型！
【Harvey官宣推出自有模型引发AI圈关注】一个礼拜前美国法律科技公司Harvey在X上官宣了一则消息隆重推出基于Kimi K3训练的首个自有模型Harvey Tenet。消息一出迅速在AI圈掀起了一场波澜。基于开源模型后训练的事已经屡见不鲜。早在3月份Cursor的自研编程模型Composer 2就被扒出是基于Kimi K2.5训练的DoorDash、Airbnb等企业也纷纷部署开源模型进行“降本”。【为何Harvey的“自有模型”引发大关注】为何一家法律科技公司的“自有模型”在国内外引发了如此大的关注答案在于Harvey可能是最不应该选择中国模型的AI公司。诞生于2022年的Harvey先后获得了OpenAI、红杉资本、a16z等机构的注资市场估值已经达到110亿美元全球75家以上Am Law 100律所都是Harvey的客户。而且Harvey的产品原型就是建立在OpenAI模型上的双方还曾合作训练面向美国判例法的定制模型。正是这样一家被视为OpenAI“亲儿子”的公司在训练自己的第一款基础模型时选择以中国的开源模型为底座。那么OpenAI的“亲儿子”为什么要独立求生【Harvey与OpenAI的复杂关系】Harvey与OpenAI的关系远非寻常的“投资者与被投资者”。一位创始人曾是证券和反垄断律师另一位创始人有过DeepMind和Meta的工作经历。两人最初只是用GPT - 3测试法律问答随后获得了OpenAI Startup Fund领投的500万美元种子融资。在Harvey的早期故事里OpenAI既是资本来源也是最重要的技术靠山。到了2023年Harvey完成8000万美元B轮融资时OpenAI和红杉资本继续参与。Harvey在融资公告中明确表示公司正在与OpenAI合作开发面向专业服务行业的领域模型。双方的分工一度非常清晰。OpenAI负责提供越来越强的通用模型Harvey负责理解律师、法律文件和律所工作流再把模型包装成法律行业可以使用的产品。OpenAI拥有模型Harvey拥有客户双方处在产业链的上下游。【上下游关系出现裂痕】可当基础模型公司开始进入应用层上下游关系出现了裂痕。时间来到2026年合同管理软件公司Ironclad的联合创始人Jason Boehmig加入OpenAI负责开发面向法律行业的产品直接与大型律所合作。站在Harvey的立场上过去的盟友正在成为潜在竞争者。如果Harvey最核心的能力始终建立在OpenAI等闭源模型之上OpenAI在内的上游模型厂商一旦直接进入法律工作流Harvey就很难形成真正独立的技术边界和竞争壁垒。这也是大多数AI应用公司的困境。当基础模型的能力还在快速进步时应用公司依靠提示词、知识库和工作流建立起来的优势随时可能被下一次模型更新覆盖。昨天还需要专门开发的功能明天可能就会成为通用模型的标准能力。模型供应商只要向下走一步就可能吃掉应用公司的价值。【Harvey面临的成本问题】除了生存压力Harvey还面临另一个问题——成本。Harvey联合创始人Gabe Pereyra在媒体采访时表示2026年1月至6月Harvey平台每月消耗的Token数量从约1万亿增长到了14.5万亿半年增长超过14倍。模型调用正在从技术采购费变成影响毛利率的成本中心。原因并不难解释。不同于一问一答的聊天机器人一个法律Agent可能要读取数百份文件连续搜索判例反复调用工具对不同结论进行验证……任务越复杂调用链条越长Agent越普及Token消耗增长越快。由此形成了一种隐蔽的成本陷阱客户和收入属于Harvey但伴随业务规模不断增长的模型成本则在持续流向供应商。对于一家估值110亿美元、试图成为法律AI基础设施的公司来说这种结构很难长期维持。【中国开源模型带来“出逃”机会】中国的开源模型 制造了一次 “ 出逃 ” 机会。Kimi K3代表的开源模型为Harvey制造了“逃离”OpenAI的机会。2026年7月月之暗面正式开源了Kimi K3总参数达到2.8万亿支持百万Token上下文重点能力指向编程、知识工作和长周期Agent任务。独立AI评测平台Artificial Analysis使用Harvey LAB - AA对Kimi K3进行了详细测试在衡量法律交付物质量的通过率评测中Kimi K3以94.6%的通过率排名第一超过Claude Fable 5在更严格的“整项任务全通过率”评测中Kimi K3以26.7%的成绩位居第一接近第二名Claude Fable 5的两倍。Kimi K3并没有在所有测试中全面超过最强闭源模型但差距已经缩小到足以改变企业选型。对于Harvey而言第一次看到了开源模型替代闭源模型的可行性律师的工作很少是回答一道孤立的问题通常需要模型在大量材料中持续工作建立事实关系、识别冲突、判断风险、补充引用一个模型的Agent能力、对复杂知识的处理能力远比“答对一道题”有价值。【促使Harvey基于Kimi K3做后训练的因素】让Harvey下决心基于Kimi K3做后训练的还有两个不可或缺的因素。第一个是价格。第三方评测平台Arena的数据显示Kimi K3位于能力—成本的帕累托前沿以约0.62美元的任务成本取得约 10.5%的综合净改善不足Claude Opus 5 (Max) 的1/5硅谷知名天使投资人杰森·卡拉卡尼斯则表示Anthropic和OpenAI 的一些大客户部署Kimi后成本降低了90%。第二个是权限。有别于闭源模型调参数、写提示词的局限性Harvey可以在Kimi K3的基础上修改模型适应自己的法律数据、任务环境和评价体系可以根据任务成本优化推理路径可以选择不同基础设施部署……一个向Harvey出售智能另一个允许Harvey把智能变成自己的生产资料。按照Harvey在官方技术博客中公开的信息并非简单“拿法律材料微调”搭建了约1750个法律任务环境将律师的事实判断、引用要求、风险评级、修改建议和交付格式拆成可评分的专家标准让模型反复完成完整任务再用律师制定的标准进行打分通过强化学习把更好的工作方法写进模型。Legal Agent Bench的测试结果显示Tenet的“整项任务全部通过率”为19.7%高于Fable 5的11.5%和GPT - 5.6 Sol的2.5%在企业法律任务组成的APEX Agents测试中Tenet得到74.0%同样高于Fable 5的67.4%和GPT - 5.6 Sol的60.3%。目前Tenet仍处于研究预览阶段但已经在Harvey LAB测试中达到SOTA。简单来说Kimi提供的是前沿通用能力Harvey负责让模型像一名律师一样工作先读什么如何搜索怎样判断证据是否充分什么时候应该提示风险最后以什么格式交付成果。【AI应用的“普罗米修斯”时刻】Harvey迈出的一小步可能是改写AI应用市场格局的一大步。一个不应该被忽略的细节在于Tenet的后训练仅用了约150块NVIDIA B300只花了两个月的时间。用极低的算力和成本验证了一条可以被其他行业复用的路径点燃了垂直AI公司自主造模的“火种”即开放权重模型行业专家数据任务评价环境后训练专有的垂直模型能力。很长一段时间里打造前沿模型都是少数AI公司的游戏。从零训练一款通用基础模型需要巨额算力、海量数据、完整的研究团队和持续迭代的基础设施。法律、医疗、金融、制造等行业公司即使掌握大量专业知识也无法参与模型本身的建设。通常只能接入闭源API然后在外层增加提示词、知识库、工作流和产品界面。这种模式创造了第一代AI应用却也带来了一个问题应用公司拥有场景却没有完全拥有能力。Harvey提供了另一种可能。无须重新预训练一个通用模型而是基于Kimi K3等开源模型直接训练法律工作所需要的专业能力。后续出现了更强的开放模型还可以将任务环境、评价标准和反馈数据迁移到新的底座上。模型门槛向下拉的同时行业知识的门槛将被向上推。未来最有能力复制Harvey Tenet路线的不会是所有接入大模型的创业公司需要同时具备四项资产真实业务数据、行业专家、可量化的评价标准以及能够形成反馈闭环的客户工作流。比如医疗公司需要知道什么样的诊疗建议存在遗漏什么证据不足以支持结论金融公司需要定义风险评级、信息引用和合规边界制造企业则需要把故障判断、工艺经验和操作规范拆解成模型可以评分的任务……这些标准很难从公开语料中获得可以说是垂直公司构建壁垒的绝佳机会。诚如Harvey官方的表态下一步要把算力从1000卡扩到10000 做全参数微调还要尝试更多开放底座......目标是让每家律所都能拥有自己的专有模型。韩国Digital Today、Global Economic、日本Livedoor等媒体已将Harvey案例写入“垂直AI公司摆脱前沿模型API依赖”的产业趋势。做一个预判的话AI应用公司不再只是基础模型能力的经销商新的商业飞轮已经形成客户越多任务环境越丰富专家反馈越多评价体系越精确模型能力越强产品与通用大模型之间的差异也就越大。当越来越多的AI应用公司转向开源模型将彻底打破“只有闭源顶级大模型才能支撑商业应用”的固有认知将开源模型从“低成本平替”推向“产业数字基础设施”的核心地位让“强开源底座 深度垂直后训练”成为千行百业数智化转型的新范式。【写在最后AI应用层或引发“独立战争”】Harvey基于Kimi K3打造自有模型的故事看似是一次单纯的技术选型更迭却可能在应用层引发一场“独立战争”。大模型竞赛的下半场聚光灯正在发生偏移。只能套壳的AI应用或将成为上一个时代的产品千千万万个“Harvey”组成的去中心化、专业化的垂直行业模型将以前所未有的速度拔地而起。与此同时中国的开源模型陆续占领全球AI应用公司的底座将成为闭源巨头无法撼动的事实。未来AI应用市场又将走向何方呢