美国法律AI公司Harvey基于中国开源Kimi K3打造Tenet模型，近乎翻倍法律任务完成率

8 月 24 日，OpenAI 与红杉资本投资的法律 AI 独角兽 Harvey 正式发布其首个后训练模型 Tenet。引人注目的是，Tenet 的底座并非来自 OpenAI、Anthropic 或 Google，而是中国月之暗面的开源权重模型 Kimi K3，由 Harvey 与 Fireworks AI 合作完成训练。在 Harvey 自研的法律代理基准 LAB 上，Tenet 的任务完成率近乎翻倍，并在 LAB Contracts 子基准上达到最先进水平（SOTA）。这是迄今美国 AI 公司首次公开披露基于中国开源模型构建专业领域模型的完整案例，也标志着开源权重模型正在从『研究素材』升级为产业级基础设施。

Tenet 的技术底座：Kimi K3 的关键参数

Tenet 选择 Kimi K3 作为底座并非偶然。作为月之暗面 2026 年发布的开源权重模型，Kimi K3 在长上下文与稀疏推理上的参数配置，恰好匹配法律场景对『超长文档 + 多步骤推理』的需求：

100 万 token 的上下文窗口意味着，Tenet 可以一次性吞下一份完整的大型并购协议、配套披露文件与历史判例，而不必依赖易丢失细节的分块检索。这对 Harvey 锁定的合同审查、并购尽调、事务所知识搜索等高价值场景至关重要。

训练方法：GSPO + rank-64 LoRA，约150块B300 GPU两个月

Tenet 的训练栈是公开案例中少见的组合：

• 训练伙伴：Harvey 与 Fireworks AI 合作，采用异步强化学习流水线；
• 算力规模：约 150 块英伟达 B300 GPU，训练时长约 两个月；
• 训练数据：由合成数据、公开法律数据与人类专家标注数据三类构成，不含任何客户数据——这一点对法律行业的数据隔离合规至关重要；
• 方法：GSPO（Group Sequence Policy Optimization）+ rank-64 LoRA，在保持底座权重冻结的前提下，用低秩适配注入法律领域能力；
• 奖励塑形：通过奖励塑形优化推理效率，在性能提升的同时保持单位推理成本基本稳定，避免了『模型更强但贵到无法商用』的常见陷阱。

这一组合的工程意义在于：用相对克制的算力（150 块 B300、两个月）和克制的微调方法（rank-64 LoRA），在开源底座之上做出了接近 SOTA 的法律专用模型，验证了『开源底座 + 领域后训练』路线的性价比。

基准表现：LAB 任务完成率近乎翻倍，LAB Contracts 达SOTA

Harvey 用自研的法律代理基准 LAB 评测 Tenet，结果如下：

• LAB 整体任务完成率近乎翻倍（相对基座 Kimi K3 与通用闭源模型）；
• LAB Contracts 子基准提高 20%，并达到该子基准上的最先进水平；
• all-pass 率分别提高 9 个和 2 个百分点（对应两个子基准），意味着不仅更多任务被完成，而且同时满足全部约束的『干净通过』比例显著上升；
• LAB 整体排名第二，仅次于一个未公开名称的闭源系统；
• 泛化能力：Tenet 还在两个未参与训练的外部基准 APEX Agents 和 Redline Bench 上取得提升，说明后训练注入的是可迁移的法律推理能力，而非对 LAB 题目的过拟合。

值得注意的是，Harvey 还训练了三个更窄的子模型，分别针对并购（M&A）尽调、高量文档审查、事务所知识搜索三类场景。其中文档审查产品每单元成本降低约 10 倍——这是 Tenet 路线最具商业杀伤力的数字，因为它直接把大律所最赚钱的业务之一的边际成本压到原来的十分之一。

战略含义：开源权重模型成为行业基础设施

Tenet 的发布有三个层面的信号：

第一层：美国公司首次公开基于中国开源模型建产业模型。 此前业界对『使用中国开源底座』多停留在研究层面，Harvey 是首个把它推向商用法律产品的美国独角兽。这说明 Kimi K3、Qwen、DeepSeek 等中国开源模型在参数规模、上下文长度、推理质量上，已达到可承接产业级垂直任务的门槛，地缘标签让位于工程能力。

第二层：开源底座 + 领域后训练成为性价比主流。 相比从头预训练或重度依赖闭源 API，『开源权重 + rank-64 LoRA + 领域强化学习』的组合，让一家 2022 年成立的创业公司能在大律所市场做出 SOTA 模型。Harvey 成立于 2022 年，3 月融资后估值 110 亿美元，OpenAI 与红杉资本均为股东，Tenet 路线为其估值提供了第一个可验证的技术故事。

第三层：法律 AI 进入『成本重构』阶段。 文档审查每单元成本下降 10 倍，意味着大律所按小时计费的业务模型将进一步被瓦解，取而代之的是按文档、按尽调包定价的产品化服务。这对法律行业的冲击，类似于代码模型对软件外包的冲击——不是替代律师，而是重写单位经济学。

后续观察点

接下来两个节点值得跟踪：一是 Harvey 是否将 Tenet 与子模型的能力对客户分层定价，形成『高端并购用人、低端文档用机器』的产品矩阵；二是月之暗面是否会基于 Harvey 的反馈，迭代 Kimi 系列的开源版本，形成『开源底座—垂直厂商—底座厂商』的正向回路。如果这条回路跑通，开源权重模型对闭源 API 的替代速度，将远快于此前的市场预期。

一句话总结：Harvey 用 Kimi K3 做底座、GSPO+LoRA 做后训练，在法律基准上把任务完成率近乎翻倍、文档审查成本压到十分之一——这是美国 AI 公司首次公开承认中国开源模型已成为产业级底座，开源权重路线正在改写垂直 AI 的单位经济学。