2026年8月20日，美国法律AI独角兽公司Harvey发布了一个重磅消息：他们推出了第一个自研法律模型Harvey Tenet。
更让业界震惊的是，这个模型不是基于OpenAI的GPT，也不是Anthropic的Claude，而是基于中国月之暗面公司的开源模型Kimi K3。
为什么这件事很重要？
Harvey是一家估值110亿美元的明星公司，股东包括OpenAI创业基金、红杉资本和a16z，服务全球数千家顶级律所和超过20万名律师，客户包括Latham & Watkins、汇丰、普华永道、KKR等。
这样一个”OpenAI亲儿子”级别的公司，却选择用中国开源模型做底座，背后的原因值得深思。
三大痛点逼出自研模型
Harvey过去几年一直依赖OpenAI、Anthropic、Google的API。但三座大山越来越重：
- 供应商变成竞争对手：OpenAI挖走了合同管理公司Ironclad的创始人去做自己的法律业务；Anthropic推出了面向律师的文档审查插件。今天的供应商，可能就是明天的竞争对手
- 成本失控：Harvey每个月处理13万亿token，每个token都要从别人手里买。供应商说涨价就涨价，说限流就限流
- 数据合规命门：合同底稿、并购材料、诉讼策略、商业机密一旦发给外部闭源模型，企业就得面对一连串合规问题：数据存在哪？谁在处理？会不会被用来训练对手的模型？
这三座大山一压，Harvey下定决心：不能再只当API租客了，得有自己的模型。
技术方案
Harvey选择了“开源基座 + 垂直后训练”的路径：
- 基座模型：月之暗面Kimi K3（开源）
- 后训练：与Fireworks AI合作，使用公开法律数据、合成数据和律师标注数据进行强化学习
- 训练硬件：约150块NVIDIA B300 GPU，耗时约两个月
- 训练数据：约1750个法律Agent任务环境，累计超过1万次独立Rollout
性能表现
Harvey Tenet在法律任务上的表现大幅超越了基座模型Kimi K3：
- LAB Contracts（合同审查）：排名第一，相比Kimi K3提升22%
- LAB整体：排名第二，All-pass Rate提升9个百分点
- 推理成本：不到主流基础模型的四分之一
- 第三方基准：在Mercor APEX Agents（公司法）和Crosby Redline Bench上也表现优异
为什么选择Kimi K3？
这个选择背后有几个关键原因：
- 开源可定制：Kimi K3是开源模型，Harvey可以在其上自由进行后训练，拥有完全的模型控制权
- 长上下文能力：Kimi K3原生支持超长上下文，适合处理法律文档中动辄数百页的材料
- 成本优势：相比闭源模型，开源模型的token价格更低，加上Harvey通过后训练优化了token使用效率，整体推理成本不到主流模型的四分之一
- 性能足够强：经过Harvey的专业后训练后，Tenet在法律任务上的表现甚至超越了GPT和Claude
实际应用场景
Harvey Tenet瞄准的是律所和法律部门的核心工作：
- 并购尽职调查：从数据室中提取关键信息，生成尽职调查备忘录
- 合同审阅：批量审查合同，识别风险条款，生成批注和建议
- 结构化数据提取：从大量文档中提取关键数据点
- 律所知识检索：搜索律所内部的先例文件和知识库
行业意义
Harvey Tenet的发布标志着行业的一个重要转折：垂直AI应用公司开始从”调用API”转向”拥有自己的模型”。
这种”开源基座 + 垂直后训练”的模式为行业提供了一条新路径：不需要从零训练基础模型，就能以更低的成本获得专业领域的顶级AI能力。
投资人David Sacks指出，美国初创公司通过这条路径能低成本打造高性能行业模型。但如果对开源模型施加过严限制，将难以阻止中国实验室继续推出下一个Kimi，同时也会削弱类似Harvey这样的创业公司在专业领域构建模型的能力。
总结
Harvey Tenet是一个具有里程碑意义的模型。它不仅证明了开源基座 + 垂直后训练的路径可行，更展示了中国开源模型在全球AI产业中的实际应用价值。
对于法律行业来说，这意味着：律所不再需要完全依赖OpenAI或Anthropic，而是可以通过专业后训练获得更便宜、更专业、更可控的AI能力。