Harvey Tenet把法律AI的竞争推向专业适配层

信源：This Week in Startups｜关于Harvey Tenet与开放权重模型的播客｜2026-08-22

Harvey过去六个月的研究集中在两项目标：用开放权重模型构建更强的法律智能，并让律所能够开发自己的专业模型与专属智能。Tenet是这项工作的阶段性产物，也让法律AI公司的产品边界开始向底层模型适配延伸。

节目朗读的Harvey研究更新称，Tenet以Kimi K3开放权重模型为底座，由Harvey与Fireworks Research合作，面向长周期法律工作进行后训练，系统还加入了训练和测试执行所需的harness改进。材料没有披露完整训练数据、参数或各组件贡献，这些信息只能说明产品方向。

这里的自有模型不是从零训练基础模型。通用底座提供语言与推理能力，法律数据和任务设计把能力拉向专业场景，harness负责让模型在较长工作链中执行并接受检验。应用公司由此掌握专业能力如何校准，也能决定什么标准才算可用。

这会改变垂直应用对上游模型的依赖方式。单纯调用最强通用模型时，产品差异容易跟随供应商能力波动。应用公司一旦掌握后训练、任务执行与客户隔离，就能决定哪些知识进入适配过程、哪些工作流被优化，以及不同客户之间如何划清边界。

开放权重降低了进入专业模型的门槛，却不会自动形成护城河。Kimi K3可以被更多公司采用，稀缺性更可能来自经过授权的专业数据、对法律工作流的理解、判断结果是否合格的评估标准，以及持续修正模型的反馈循环。底座越开放，这些垂直资产越能决定产品差异。

客户专属模型也有明确的操作含义。不同律所拥有各自的案件资料、内部方法和风险偏好。相关知识若能在隔离环境中参与适配，系统便可以承接组织经验，而非向所有客户给出同一种通用输出。不过，现有材料没有展示具体隔离架构，不能把这一方向写成已完成的能力。

专业适配层的积累方式也与通用模型不同。应用公司可以把客户工作中的失败案例转成评估，把常见任务转成训练与测试对象，再用结果修正执行系统。若这种循环能够持续，模型底座更新时，已经形成的专业标准和工作流仍可能保留在产品内部。现有材料只支持这一方向，尚未证明Harvey已经建立完整闭环。

如果这条路径成立，法律AI的利润池可能向后训练、客户隔离、专业评估和长周期任务执行迁移。前沿模型仍可提供重要底层能力，但垂直应用有机会控制更多交付过程与客户关系，减少全部智能和毛利依附于单一上游的程度。

节目主持人走得更远，预测开放权重将获得企业大部分使用量，还猜测多家应用公司的模型支出会大规模迁移。这些说法没有可核验的客户账单，也不是Harvey的正式承诺。它们最多提出了一个行业问题：拥有专业适配层以后，还有多少任务必须长期交给同一家前沿供应商？

眼下证据仍处早期。Harvey只说初步工作在性能和成本效率上显示出有希望的结果，没有披露完整基准、独立评估、生产可靠性或客户留存。真实的长周期法律任务能否稳定交付，不能由一轮演示或开发团队的初步结果代替。

前沿模型也会继续改进。更强的通用能力可能占据最复杂任务，并通过工具使用和价格变化压缩垂直后训练的空间。Tenet需要在相同法律任务、质量要求和完整成本口径下证明可用性，才能让价值迁移从架构设想变成商业结果。

Harvey正在测试一种新的分工：通用模型提供底座，垂直应用掌握专业数据、执行系统和校准循环。律所把核心工作逐步交给系统，专业数据和校准循环才有机会形成长期积累；在此之前，Tenet仍是一条有待生产使用验证的技术路径。