估值超700亿的OpenAI“亲儿子”叛变：自研模型底座

来源：市场资讯

（来源：创业邦）

作者丨晨阳

编辑丨小龙

估值110亿美元的法律AI独角兽Harvey宣布推出首个自有模型Harvey Tenet。

这家由OpenAI创业基金领投种子轮并长期依靠其闭源模型提供服务的“OpenAI亲儿子”，彻底切换了技术路线。

第一次自己训模型，底座没用GPT，用的是中国月之暗面的开源模型Kimi K3。

Harvey，这家2022年才成立的公司，如今年化收入约3.5亿美元，其中约3亿美元为年度经常性收入。

累计融资超过10亿美元，服务超过1300家机构、覆盖20多万名律师。

全球50家AmLaw 100律所依赖其AI能力。最新一轮155亿美元估值的融资已在洽谈中。

一家四年历史的公司，正以超40%的估值增速逐月攀升，他为何突然转变了技术路线？

01一封邮件：从律所工位到AI王座

2022年，27岁的Winston Weinberg还在O'Melveny & Myers律师事务所做初级诉讼律师，

他的室友Gabriel Pereyra——前Meta机器学习工程师、曾在DeepMind、Google Brain和Meta AI做过研究科学家——给他演示了GPT-3的能力。

Winston Weinberg（左） Gabe Pereyra（右）

Weinberg从Reddit法律版块挑了约100个真实的房东租户纠纷问题，编写思维链提示词后交给GPT-3生成答案，然后把答案交给三位专业律师盲审。结果，86%的答案被评定为“可不做修改直接使用”。

2022年7月4日，Weinberg把这组实验结果写成邮件，发给了OpenAI CEO Sam Altman和总法律顾问Jason Kwon。

当天上午，OpenAI高层的电话就打过来了。

OpenAI创业基金最终以500万美元领投了Harvey的种子轮。此后，OpenAI几乎没有缺席过Harvey的每一轮融资，

Harvey也很早就获得了GPT-4的优先使用权。

这奠定了Harvey最初的商业路径：自己做法律应用和工作流，最底层的模型能力则交给OpenAI等模型公司。

此后，资本蜂拥而至。2025年，公司在短短六个月内连续完成三轮融资，估值从30亿美元一路涨到80亿美元；2026年3月再获2亿美元融资，估值达到110亿美元。

截至目前，Harvey累计融资超过11.9亿美元，投资方包括红杉资本、Andreessen Horowitz、Coatue、谷歌风投和GIC等。

但如今看来，Harvey最初最大的优势，也正在变成它必须解决的问题——它太依赖模型供应商了。

02不做ChatGPT的跟班，要做律师的“操作系统”

很多人第一次了解Harvey时都会问：它和ChatGPT有什么区别？

答案很简单：ChatGPT回答问题，Harvey完成工作。

一次跨境并购，律师需要同时审阅数百份合同、识别关键风险条款、查阅不同司法辖区法规、完成尽职调查、生成法律意见书。这些工作不是一次次聊天能解决的。Harvey把整个法律工作流程连接起来，让AI真正参与项目执行。

官方越来越少提“AI Assistant”，转而强调另一个词：Legal Infrastructure。它不是一个聊天机器人，而是律师每天工作的基础设施。

产品覆盖了法律工作的几乎全部核心场景：合同分析、法律检索、尽职调查、并购文件起草、备忘录撰写。

商业模式走的是纯企业级路线——不卖API，没有自助消费产品。每份收入都来自与律所和企业法务部门谈判的按席位企业合同。

中型律所每席位每月约1000至2000美元，大型AmLaw 100企业交易可降至每用户100至200美元。

客户则集中在全球头部律所和大型企业，包括Latham & Watkins、A&O Shearman、Willkie Farr & Gallagher，以及汇丰、普华永道、KKR等。

增长数据同样惊人。

2025年8月ARR突破1亿美元；年底达到1.9亿美元；2026年5月冲至约3亿美元——九个月内翻了3倍。客户从2025年8月的约500家扩张到2026年3月的超过1300家。净收入留存率167%，总收入留存率98%——这意味着客户不但不流失，还在疯狂增购。

每月处理12万亿到13万亿token，超过25000个定制AI Agent在客户组织中实时运行。这不是浅尝辄止的试点，而是深度嵌入——用Weinberg的话说，每月花在token上的钱是以“十亿”美元为单位计算的。

因为规模足够大，模型开始成为Harvey最大的成本和最大的战略风险。

03“今天卖你API的人，明天就坐在你客户的会议室里”

Harvey过去是在做AI应用层，每当客户抛来一个法律任务，系统会自动判断：这事儿适合OpenAI的GPT-4干，还是Anthropic的Claude更顺手，抑或是Google的Gemini在某些长上下文场景下更有优势。

然后，把任务分发出去，模型给出结果，Harvey付钱。

这套“模型路由”模式在AI应用创业圈一度是主流共识——底层大模型这种重资产、高投入的苦活累活，交给巨头去烧钱就好，创业公司专心打磨产品体验和客户关系。

但这个共识正在崩塌。

Harvey如今每月处理的token量高达12万亿到13万亿。随着使用规模越来越大，模型API不再只是技术基础设施，而开始变成一笔越来越庞大的运营成本。

更致命的是：模型供应商正在逐渐进入Harvey自己的业务腹地。

2025年秋天，OpenAI悄然挖走了合同生命周期管理独角兽Ironclad的创始人Jason Boehmig，任命其领导OpenAI内部新组建的“法律行业解决方案”部门。

Jason Boehmig

Ironclad正是用AI帮助律所和企业法务部门自动审合同、管合同的。

几乎同一时间，Anthropic默默上线了面向律师的文档审查插件，功能描述和Harvey的核心模块惊人地相似。

用Pereyra事后在一次内部全员会上的原话说：“他们不再是我们的供应商，他们是我们的未来竞争对手。区别只在于，我们还在他们的API账单上签字。”

于是，Harvey决定自己训练一个模型。

2026年8月20日，Harvey Tenet以研究预览版的形式亮相。

它的底座是月之暗面的Kimi K3，一个2.8万亿参数的混合专家模型，拥有100万token的超长上下文，原生支持多模态，是目前全球最大的开放权重模型之一。

选择Kimi K3，Harvey有自己的精算逻辑。

开放权重意味着Harvey可以拿到模型的全部“设计图纸”，想怎么改就怎么改，不必向任何供应商报备。

而K3的MoE架构适合Harvey多任务、高并发的法律工作负载——并购尽调需要长上下文，合同审查需要精准的注意力分配，MoE的稀疏激活机制恰好能在不牺牲性能的前提下大幅降低推理成本。

传统的法律AI模型训练，思路通常是“喂数据”——把几千万份判决书、合同模板、法规条文塞进去，让模型死记硬背。

Harvey的团队换了个思路。他们找来了200多位来自不同律所的执业律师，这些律师每人每周抽出十几个小时，担任Tenet的“教练”。

教练们不教模型背法条，而是虚构出大量真实的业务场景——比如“一家科技公司要收购另一家拥有专利纠纷的竞争对手，时间只有三周，尽调团队只有四个人”——然后把Tenet丢进这些场景里，让它像真正的初级律师一样，自己去查资料、筛风险点、起草尽调报告、拟定交易条款。

Tenet每完成一轮“作业”，200多位教练就拿着红笔，一条一条地批改。关键风险有没有遗漏？援引的判例是不是最新的？条款措辞有没有歧义？逻辑链条是否站得住脚？教练们列出一张几十个维度的“评分卡”，每个维度只有“过”和“不过”两个结果，全部打勾才算通关。

这种训练方式最大的妙处在于——它不需要几万张H100烧上大半年。

Harvey与Fireworks AI合作，仅动用了约150块英伟达B300 GPU，跑了两个月。与传统预训练动辄数亿美元的烧钱速度相比，Tenet的训练成本连零头都不到。

在LAB Contracts这一法律AI领域的权威评测基准上，Tenet拿下了最先进性能。全通过率比Kimi K3基础模型提升了22%，在更广泛的LAB基准上更是飙升82%。

模型能够独立完成的任务数量接近基础模型的两倍。

更重要的是，由于Tenet学会了用更精简的推理路径得到正确答案，它每次回答消耗的token数远低于调用闭源模型。

Kimi K3本身的开放权重定价就比闭源API便宜一个数量级，再加上推理路径的优化，双重红利叠加下来，Harvey的内部测算显示，同等任务量下Tenet的推理成本仅为调用GPT-4的十分之一左右。

Harvey并不打算完全抛弃OpenAI和Anthropic的模型。它计划优先将Tenet能处理的任务交由Tenet完成，仅在必要时再调用前沿模型能力。但方向已经很明确了——把最核心、最频繁、成本最高的那部分推理，牢牢握在自己手里。

这不仅是成本问题，更是战略自主权问题。

04硅谷突然重新相信开源了

如果把Harvey的选择放到整个硅谷来看，它就不再是一个孤立的商业决策。

过去两年，硅谷对“开源模型”的态度其实相当微妙。

Meta一直在押注Llama，Google有Gemma，英伟达则持续推进Nemotron。但与此同时，真正站在模型能力金字塔最顶端的OpenAI、Anthropic等公司，依然把最强模型牢牢锁在API和订阅服务背后。

原因也很现实：如果模型本身就是公司的核心产品，把最强模型开放出去，就等于主动把最赚钱的护城河交给别人。

但到了2026年，这个逻辑正在松动。

一个明显的信号是，OpenAI自己也开始推出开放权重模型GPT-OSS。这意味着，即使是过去最坚定的闭源模型公司，也开始承认：在某些场景里，开放权重不是“低配替代品”，而可能成为一个独立的商业战场。AWS已经将OpenAI的GPT-OSS和英伟达Nemotron等开放权重模型纳入Bedrock，企业可以在同一套基础设施中切换不同模型。

另一个更激进的玩家是英伟达。

英伟达过去卖的是“铲子”——GPU、网络、软件和数据中心。但现在，它开始直接下注模型。

今年3月，英伟达发起Nemotron Coalition，拉来了Black Forest Labs、Cursor、LangChain、Perplexity、Reflection AI、Thinking Machines Lab等一批AI公司，共同训练开放的前沿模型。英伟达提供算力和基础设施，参与者贡献数据、模型训练和应用经验，最终模型开放给开发者使用。

8月，英伟达宣布与AI初创公司Poolside达成约60亿美元的技术授权和人才合作，其中包括向Poolside投资10亿美元、吸纳超过100名工程师加入Nemotron项目。

这已经不是“做一个开源模型试试看”了，而是英伟达在用自己的算力、资本和生态，打造一套能够与中国开放权重模型竞争的美国模型体系。

甚至连Meta、微软、Palantir、Google和OpenAI等公司，也在今年7月加入了一封支持开放权重AI生态的行业联署。

值得注意的是，Anthropic没有加入。

硅谷内部的分歧开始变得清晰：到底是把模型当成产品，还是把模型当成基础设施？

OpenAI和Anthropic更接近前者——模型本身就是商业化核心；而Meta、NVIDIA以及越来越多的企业，则更愿意把模型开放出来，让它成为开发者生态、云服务、芯片、Agent和行业应用的底座。

这也解释了为什么Kimi K3会出现在Harvey的技术栈里。

当一个法律AI公司真正开始计算自己的token账单、推理成本和模型迭代速度时，它需要的已经不只是“世界上最强的模型”，而是一个能够被自己掌控的模型。

过去，是创业公司追着OpenAI、Anthropic跑：“给我API，我来做应用。”

现在，越来越多头部AI公司开始反过来想：“如果模型才是基础设施，为什么我要永远租别人的？”

Harvey选择Kimi K3，是这个变化在法律AI行业的一次缩影。

而英伟达押注Nemotron、OpenAI推出GPT-OSS、Meta继续扩大开放权重模型生态，则说明硅谷正在重新争夺一个几年前曾经被低估的问题：

谁来拥有下一代AI的“底座”。

这场竞争的有意思之处在于，它已经不再简单是“中国闭源、美国闭源”或者“中国开源、美国开源”的二元对立。

真正的战场变成了：

谁能用更低的成本，训练出更强的开放模型；谁能让更多开发者、企业和Agent建立在这个模型之上；谁就有可能掌握下一代AI生态的入口。

而在这场新的模型军备竞赛里，中国的Kimi、DeepSeek等开放权重模型，已经从“硅谷需要关注的竞争对手”，变成了美国公司可以直接拿来改造、训练、商业化的技术底座。

Harvey这次选择Kimi K3，某种意义上也说明了一件事：

当模型开始从“产品”变成“基础设施”，国界之外，真正决定一家AI公司选择的，可能只有一件事——谁的模型更好、更便宜，而且允许我真正拥有它。