💰钛媒体•最新收集於 14m
Harvey 借中國開源模型重奪自主權
#model-independence#multi-model#legal-techharveyopenaiharveychinese-open-source-models
💡Harvey 的模型轉向，展現AI應用如何從主導模型供應商手中重新奪回控制權。
⚡ 30-Second TL;DR
有什麼變化
Harvey 正嘗試擺脫對 OpenAI 的高度依賴。
為什麼重要
若進展順利，Harvey 可能證明專業AI應用能在不放棄商用級能力的情況下，建立多元模型堆疊。這也可能迫使 OpenAI 透過效能、定價與彈性來維持開發者忠誠度。
下一步行動
使用 Hugging Face 建立小型評估工具，將候選開源模型與目前的 OpenAI 工作流程比較準確率、延遲與成本。
誰應關注：Developers & AI Engineers
關鍵要點
- •Harvey 正嘗試擺脫對 OpenAI 的高度依賴。
- •中國開源模型被納入 Harvey 建立自主能力的策略。
- •這項轉向反映業界對模型選擇、控制權，以及降低基礎設施依賴的需求上升。
🧠 深度解析
背景與延伸：來自公開資料，非原文內容。引用 14 個來源。
🔑 增強重點摘要
- •Harvey 於 2026 年 8 月 20 日正式發布了首款專為法律任務設計的後訓練模型「Tenet」。
- •Tenet 模型底層採用了中國 Moonshot AI 開發的開源權重模型 Kimi K3，而非傳統的美國前沿模型。
- •Harvey 透過 Tenet 模型將推理成本降低至原先使用前沿模型 API 費用的四分之一以下。
- •Tenet 的開發過程使用了約 150 張 NVIDIA B300 GPU，並結合了合成數據、公開法律數據及專家標註數據進行非同步強化學習。
- •在複雜法律代理任務的基準測試中，Tenet 的「全通過率」（full-pass rate）從原先的約 11% 提升至 19.7%。
📊 競品分析▸ Show
| 特性/產品 | Harvey (Tenet) | Thomson Reuters CoCounsel |
|---|---|---|
| 模型基礎 | 自主訓練 (基於 Kimi K3) | 整合 Westlaw 與前沿模型 |
| 核心優勢 | 法律專用模型、成本控制 | 深度整合法律數據庫、品牌信賴度 |
| 目標市場 | 大型律師事務所 (全球 700+ 客戶) | 全球法律專業人士與企業 |
| 定價模式 | 企業級訂閱 (降低推理成本) | 隨 Westlaw 訂閱或企業授權 |
🛠️ 技術深入
- 模型架構：基於 Kimi K3 開源權重進行後訓練 (Post-training)。
- 訓練硬體：使用 150 張 NVIDIA B300 GPU 進行訓練。
- 訓練週期：開發與訓練耗時約兩個月。
- 訓練方法：採用非同步強化學習 (Asynchronous Reinforcement Learning)。
- 數據來源：合成數據、公開法律數據以及律師專家標註數據。
🔮 前景展望AI analysis grounded in cited sources
企業 AI 將從「租賃 API」轉向「擁有專用模型」。
Harvey 的成功案例證明了透過開源模型進行微調能顯著降低成本並提升法律任務的專用效能。
法律 AI 領域的數據隱私控制權將成為核心競爭力。
透過自主訓練模型，Harvey 能夠更好地管理敏感法律數據，減少對第三方模型供應商的依賴。
⏳ 時間線
2026-03
Harvey 估值達到 110 億美元，服務範圍擴展至 63 個國家。
2026-08-18
發布 Harvey II 平台，引入「記憶」(Memory) 功能以學習律師事務所特定偏好。
2026-08-20
正式發布基於 Kimi K3 的專有模型 Tenet。
📎 來源 (14)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 钛媒体 ↗
每週 AI 簡報
每週一封，可隨時退訂。