OpenAI投的700亿AI独角兽

来源：市场资讯

（来源：第一财经资讯）

8月21日，估值已达110亿美元（约合700亿人民币）的美国法律AI独角兽Harvey发布了其基于中国模型 Kimi K3后训练的模型Tenet。这家服务全球2400余家机构、覆盖数十万名律师的行业新贵，为什么会选择以中国开源模型为底座，通过后训练打造专属法律模型？

过去，垂直领域的专业公司需要依赖少数闭源模型厂商提供通用能力；现在，随着Kimi K3这样的中国开源模型真正达到前沿水平，并在最严苛的法律等场景得到验证，垂直行业的领头羊们看到了基于开源模型“自研”专有模型的机会。

Kimi K3等性能领先的中国开源模型，正以这样的方式成为全球各个行业的创新底座。

OpenAI投的法律AI独角兽“叛变”

有趣的是，OpenAI创业基金是Harvey的种子投资人。Harvey此前也长期基于硅谷顶尖闭源模型构建服务——但Harvey自研的第一个模型，底座却是Kimi K3。

Harvey的技术路径非常清晰：以Kimi K3为基座进行异步强化学习后训练，针对长周期、agentic（智能体化）的法律任务进行优化。在用开源模型提供基础能力的同时，用自己的数据和专家经验定义专业标准。

作为中国公司月之暗面发布的稀疏混合专家（MoE）模型，Kimi K3总参数达2.8万亿，每token激活约1040亿参数，拥有896个路由专家和100万token的超长上下文窗口。正是这种前沿的通用能力与长上下文agent能力，使其成为了Harvey构建复杂法律工作流的首选。

在训练侧，团队搭建了约1750个智能体任务环境，完整模拟大型律所的真实工作流：每个任务从合伙人的一句简短指令开始，智能体需在包含虚构案件、混杂文档及专业工具的沙箱中自主执行，单次运行可超过1000轮对话、消耗数十万token，最终产出可交付的工作成果。整个训练过程在150张NVIDIA B300 GPU上持续两个月，每轮训练完成超过10000次这样的完整任务轨迹采样。

与之匹配的是极为严苛的评测标准。无论是Harvey自建的Legal Agent Benchmark，还是APEX Agents公司法实务基准、RedlineBench合同修订基准等外部测试集，均采用“全通过”指标，即一个任务只有在事实、结论、引用、截止日期等每一条评分细则都达标时才算成功——漏掉任何一个关键风险点即判定为整体失败，不存在“90%完成”的中间状态。

在这一高标准验证下，Tenet展现出更强的实务能力：在自建基准上的全通过率提升9个百分点，几乎翻倍；在合同审查子项上取得当前最优性能，整体排名第二；在未见过的外部基准上同样保持强劲泛化表现。这种经受过严苛检验的能力，也为Tenet后续在真实律所场景中的落地奠定了坚实基础。

更重要的是，Tenet性能的提升来自基于K3底座的垂直领域后训练，证明了Kimi K3作为基座模型，具备极高的“可塑性”和“后训练潜力”。

开源模型走入垂直行业

Tenet的成功验证了一个更深层的产业趋势。

过去两年，开源模型的叙事主要是“更便宜的替代方案”。但Harvey Tenet给出了新的叙事方向：开源模型可以让垂直行业公司能够真正“拥有”自己的模型。法律、金融、医疗、科研等行业公司，都有机会把自身积累的专业数据、专家经验和业务流程，转化为模型能力。

Harvey做的核心事情，不是教Kimi K3更多法律条文，而是教模型一个“完成法律工作的流程”。它没有在通用能力上和OpenAI、Anthropic竞争，而是在定义“什么叫一份合格的法律工作成果”，然后把这个定义训练进模型。

Harvey提供了一个完整的示范：

基座：Kimi K3提供前沿级别的通用能力。

数据：公开法律数据+合成数据+人类专家数据（未使用客户数据）。

方法：异步强化学习，GSPO（一种适用于智能体训练的强化学习算法）优化，奖励函数同时优化质量和成本效率。

标准：自建LAB基准和专家rubric。

Harvey在训练中通过reward shaping激励高效的工具使用和推理，偏好在同等性能下消耗更少token的轨迹。这意味着，Kimi K3等开源模型本身的token价格优势，加上后训练带来的token效率优化，为企业形成了双重成本优势。

它验证了一条可复制的产业路径：从开源模型提供基础能力，到行业公司注入专业知识，再到后训练定义业务标准，直至形成专属的行业模型。

在这条新的路径中，基础模型层的竞争正在商品化。对垂直行业公司而言，“选哪个基座”正在变成一个工程决策。而Kimi K3凭借其强大的长上下文能力和MoE架构的效率，正在成为这条路径上最具吸引力的起点之一。

AI竞争正在从“谁能写代码”进入“谁能理解并重构专业知识工作”的阶段。理解一份并购合同里的风险分布、知道一份法律备忘录需要覆盖哪些要点——这些专业知识工作需要行业经验。Harvey Tenet证明，这些专业知识可以被系统化、被量化、被训练进模型。

这不是说闭源模型没有价值。此前闭源API模式下，行业公司能做的是prompt engineering、RAG和应用层封装，但模型本身是别人的，你无法把自己的业务标准训练进模型的权重里。

而对于那些专业知识密集、数据敏感、需要长期迭代的垂直行业，“基座开源+行业后训练”正在成为一条越来越有吸引力的路径。

此前，被马斯克以600亿美元收购的AI编程领头羊Cursor就以Kimi K2.5为基座模型，训练了自己的编程模型。AI工程师Devin开发商则基于 Kimi K2.7 Code模型开发了 SWE-1.7模型。

领先的中国开源模型们，越来越像Android成为手机系统的基座一样，成为AI时代的世界创新基座。