Harvey基于Kimi K3发布自研模型Tenet，垂直AI公司开启“去API化”自主造模路径

事件概述

美国法律科技公司Harvey在X平台官宣推出首个自有基础模型Harvey Tenet。该模型以中国月之暗面（Moonshot AI）发布的开源模型Kimi K3为底座进行后训练而成。这一举动被视为AI应用层的一次重要转折：作为曾深度绑定OpenAI、估值达110亿美元的“亲儿子”级企业，Harvey选择通过掌握底层模型技术来重构自身的竞争壁垒和成本结构。

核心背景与动因

1. 摆脱上游依赖与竞争威胁
Harvey早期依托OpenAI的技术支持建立优势，双方分工明确：OpenAI提供通用模型，Harvey负责法律场景落地。然而，随着OpenAI高层加入并直接开发面向法律行业的产品，上游厂商向下渗透至应用层，使得Harvey面临被“管道化”的风险。若缺乏独立的基础模型能力，其基于提示词和工作流构建的优势极易被通用模型的迭代所覆盖。

2. 应对指数级增长的成本压力
数据显示，2026年上半年，Harvey平台的月度Token消耗量从约1万亿激增至14.5万亿，半年增长超14倍。对于复杂的法律Agent而言，长链条的任务处理导致调用成本成为影响毛利率的关键因素。依赖闭源API的模式使得业务规模扩大反而加剧了对供应商的成本依赖，难以维持长期盈利结构。

Kimi K3的选择逻辑

Harvey选择Kimi K3并非偶然，主要基于以下三大优势：

• 性能达标且差距缩小：根据Artificial Analysis评测，Kimi K3在法律交付物质量通过率上以94.6%排名第一，超越Claude Fable 5；在更严格的“整项任务全通过率”指标中达到26.7%，接近第二名两倍水平。虽然未在所有维度全面超越顶级闭源模型，但在复杂Agent任务和长上下文处理能力上已具备替代可行性。
• 极致的性价比：第三方数据表明，Kimi K3位于能力-成本的帕累托前沿，任务成本约为0.62美元，仅为部分顶级闭源模型的五分之一。已有客户部署后实现成本降低90%。
• 完全的自主可控权限：不同于闭源模型的API限制，开源权重允许Harvey修改模型架构、优化推理路径并根据自身法律数据进行深度定制，将智能转化为真正的生产资料。

Harvey Tenet的技术突破

Harvey并未简单使用法律语料进行微调，而是构建了独特的后训练流程：

1. 构建任务环境：搭建约1750个法律任务环境，将律师的事实判断、引用要求、风险评级等拆解为可评分的专家标准。
2. 强化学习优化：让模型反复执行完整任务，依据律师制定的标准打分，通过强化学习将高效工作方法固化进模型参数。
3. 低算力验证：仅使用约150块NVIDIA B300芯片，耗时两个月完成训练。

测试结果：
在Legal Agent Bench测试中，Tenet的“整项任务全部通过率”为19.7%，显著高于Fable 5 (11.5%)和GPT-5.6 Sol (2.5%)。在APEX Agents测试中得分74.0%，同样领先于对比模型。目前Tenet处于研究预览阶段，已在内部测试中达到SOTA（当前最佳）水平。

行业影响与趋势研判

Harvey的案例验证了一条可复用的垂直AI发展路径：开放权重模型 + 行业专家数据 + 任务评价环境 + 后训练 = 专有垂直模型能力。

• 门槛重构：未来垂直行业的竞争壁垒将从“接入大模型的能力”转向“拥有真实业务数据、行业专家知识、可量化评价体系及反馈闭环工作流”的综合资产。
• 范式转移：AI应用公司正从基础模型能力的“经销商”转变为拥有自主核心技术的实体。随着更多企业转向“强开源底座+深度垂直后训练”，开源模型将从低成本平替升级为产业数字基础设施的核心，打破闭源巨头垄断商业应用的固有认知。

Harvey计划下一步将算力扩展至10000卡进行全参数微调，目标是为每家律所提供专属模型。这一动向预示着AI应用层即将迎来一场由去中心化、专业化垂直模型驱动的“独立战争”。