Harvey押注Kimi K3，西方AI公司开始重新评估开放权重

2026年8月23日，旧金山法律科技公司 Harvey 宣布，其首个内部模型 Harvey Tenet 基于中国月之暗面（Moonshot AI）的开放权重模型 Kimi K3 后训练而成。 这不是一次普通的底座替换，而是一个清晰的行业信号：当通用模型的训练和推理成本持续上升，西方 AI 应用公司开始把“能不能直接拿来改”放在“是不是美国公司开发”之前。

Harvey 获得了 OpenAI、红杉资本（Sequoia Capital）和 Andreessen Horowitz 等机构支持，主要客户包括大型国际律师事务所和企业法务部门。公司过去的路线，是围绕法律场景定制 Anthropic、OpenAI、Google 等美国厂商的闭源模型；如今却选择在 Kimi K3 上进行后训练，意味着开放权重模型已经从“低价替代方案”进入高价值专业软件的核心技术栈。

Harvey Tenet到底做了什么

开放权重模型是指模型训练完成后，向用户公开核心参数权重、允许其在自有计算环境中部署和进一步优化的模型。 它与通常只能通过厂商服务访问的闭源模型不同，企业可以控制运行环境、修改推理流程，并使用自己的数据完成定制。

后训练是指在通用基础模型完成预训练后，使用专业数据、任务样本和反馈信号继续优化模型，使其更擅长特定行业任务。 对法律 AI 来说，这些任务不是简单的问答，而是合同审查、判例检索、诉讼策略分析、跨法域研究，以及需要数小时甚至数天持续推进的法律智能体工作流。

Harvey 没有把 Kimi K3 原样包装成一个法律聊天机器人，而是把它作为基础能力层，再使用全面的法律数据集进行训练和调优。公司称，Harvey Tenet 在复杂、长周期的法律智能体任务上，表现超过其底层基础模型，也超过包括 Fable 5 和 GPT-5.6 Sol 在内的美国前沿 AI 系统。

需要注意的是，“业界领先”和“超过前沿系统”目前主要来自 Harvey 自己的发布信息。公司没有在公开材料中披露完整的测试集、样本数量、人工评测协议、错误率和各模型的推理成本，因此这更适合被理解为产品方公布的阶段性结果，而不是已经完成独立复现的行业结论。

但这并不削弱事件本身的意义。法律模型的竞争，正在从“通用模型排行榜上的最高分”转向“在真实工作流中能否稳定完成任务”。一个模型即使在通用基准上稍弱，如果它能更好地处理长文档、引用法条、遵守格式要求，并且在企业私有环境中运行，商业价值也可能更高。

Kimi K3为什么成为底座

Kimi K3 是月之暗面推出的开放权重大型语言模型，据相关报道其采用约2.8万亿参数的混合专家（MoE）架构。 混合专家架构可以理解为一支规模庞大的专家团队：模型总参数很多，但每次处理一个 Token 时，只激活其中一部分专家，从而在保持较大知识容量的同时，降低单次计算量。

参考报道将 Kimi K3 描述为当前规模最大的开放权重模型之一，并称其在多项评测中接近美国头部闭源模型。对 Harvey 来说，Kimi K3 的吸引力不只是能力排名，而是“足够强的底座”和“可以被拿来改造”同时成立。

| 对比维度 | Kimi K3开放权重路线 | 美国主流闭源模型路线 | |---|---|---| | 模型访问方式 | 可获得模型权重并在自有环境部署 | 主要通过厂商托管服务使用 | | 定制空间 | 可进行行业后训练、推理优化和工作流改造 | 依赖厂商提供的微调、提示词或定制能力 | | 数据控制 | 更容易在企业内部处理敏感数据 | 数据处理方式受服务条款和部署形态约束 | | 成本结构 | 需承担硬件、部署和运维成本，但单位推理成本有机会更低 | 无需自建基础设施，但按调用量持续付费 | | 产品迭代 | 企业可以自行决定模型和系统的更新节奏 | 依赖模型厂商的版本、限额和服务策略 | | 主要风险 | 部署复杂度、许可证、模型安全和责任边界 | 供应商锁定、价格变化、服务中断和能力变化 |

开放权重并不等于免费，也不等于部署没有门槛。企业仍要购买或租用 GPU，建设推理集群，维护模型服务，并处理数据脱敏、权限控制、审计和安全评估。对于法律客户来说，模型是否会泄露客户信息、是否能准确标注依据、是否能够解释判断过程，往往比模型本身的参数规模更重要。

Harvey 的判断在于：如果公司本来就要为法律场景建设一整套数据、评测和智能体系统，那么把底层模型掌握在自己手里，可能比永远围绕多个闭源模型做适配更划算。

从“调用巨头模型”转向“自己拥有模型能力”

Harvey 成立于2022年夏季，2026年3月一轮融资后估值达到110亿美元。它服务的不是个人用户，而是对可靠性、保密性和定制化要求极高的律师事务所与企业客户。这样的公司选择自建模型，说明闭源模型的能力优势并没有自动转化为所有行业的最佳商业方案。

过去两年，法律 AI 公司普遍采取“通用模型加行业外壳”的方式：底层使用 OpenAI、Anthropic 或 Google 的模型，上层叠加法律检索、文档解析、引用校验和工作流编排。这个方案启动快，早期产品验证成本低，但也存在三个结构性问题。

第一，底层模型供应商决定了成本上限。 法律任务经常需要读取数十万字合同、判例和监管文件，并进行多轮推理。长上下文和多步骤智能体会快速消耗 Token，应用公司很难完全控制单位任务成本。

第二，闭源模型的更新节奏会影响产品稳定性。 厂商升级模型后，法律应用的输出风格、工具调用行为和边界表现都可能变化。对律师事务所而言，模型“变聪明”并不总是好事；如果同一份合同在不同版本下产生不同结论，企业还需要重新做验证和合规备案。

第三，敏感数据的部署要求越来越高。 并购文件、客户诉讼材料和内部法律意见通常不适合离开企业控制的环境。即便闭源模型提供企业级隐私承诺，部分客户仍然希望模型在私有云或本地基础设施中运行。

Harvey Tenet 试图一次解决这三个问题：利用 Kimi K3 的通用能力降低从零训练的成本，再通过法律数据后训练减少模型在实际任务中的冗余推理，并把部署和模型迭代的控制权收回到自己手中。

成本优势不只是“每Token更便宜”

推理成本是模型完成一次任务所消耗的计算、显存、能源和服务资源成本。 开放权重模型的成本优势，通常来自两个层面：底座模型的单位计算成本更低，以及企业可以自行优化推理过程。

Harvey 表示，开放权重模型通常具备更低的每 Token 成本，公司还通过减少推理阶段消耗的 Token 数量进一步降低成本。后一个变化更值得关注，因为法律智能体的成本不只取决于模型大小，也取决于它为了得到答案调用多少次工具、生成多少中间步骤、重复阅读多少上下文。

举例来说，一个合同审查任务如果需要模型先提取条款、再检索判例、再生成风险清单，最后进行人工格式化，那么每一步都可能产生额外 Token。专业后训练的目标之一，就是让模型少走弯路：更快识别任务类型，更准确选择工具，更少输出无关的中间内容。

这与简单压缩模型不同。压缩主要是让模型变小，而法律后训练更像是让一个通才进入律所工作后，学会本行业的术语、判断顺序和交付格式。模型不一定在所有问题上都更强，但在目标任务上可能更稳定、更便宜。

不过，Harvey 尚未公布 Harvey Tenet 的具体价格、单任务平均 Token 消耗、硬件配置和端到端延迟。因此，现阶段还不能直接计算它相对 GPT、Claude 或其他模型的真实成本降幅。对开发者来说，真正有参考价值的数据应包括：每份合同的平均推理成本、长任务完成率、引用准确率、人工返工率，以及模型在不同法域中的错误分布。

西方AI公司为什么开始看向中国开放权重

Harvey 的选择不是孤立事件。随着训练前沿模型需要投入数百亿美元级别的算力、数据中心和能源资源，越来越多应用公司开始意识到：自己未必需要重新训练一个通用模型，但需要一个能够深入改造的强大底座。

模型商品化是指模型能力逐渐从少数公司的独占服务，变成可以被更多企业部署、优化和组合的基础资源。 Kimi K3、DeepSeek、Qwen 等中国模型在开放权重、低成本部署和全球传播方面形成了明显的产品路径，也让海外公司拥有了更多底层选择。

此前，美国公司在前沿模型领域拥有明显优势，但其商业重点主要集中在闭源系统和托管服务。中国模型则更多通过开放权重扩大开发者覆盖面。对模型公司而言，这两种路线分别对应两种增长逻辑：闭源路线强调服务收入和平台控制，开放路线强调生态扩散和二次开发。

Harvey 这样的应用公司正在验证第三种可能：开放权重模型由一家公司的实验室训练，再由另一家公司的行业团队完成商业化后训练。 在这个分工中，基础模型团队负责通用能力，法律科技公司负责数据、评测、产品和客户场景。模型价值不再只由原始训练者决定，也由后续应用团队创造。

AI 政策研究员 Simon Hedlin 将 Harvey 的转变称为开放权重模型价值的一个例子，并认为美国在前沿开放权重模型开发方面已经落后。这个判断未必代表整个美国产业，但它指出了一个现实：美国公司并不缺少训练顶尖闭源模型的资本，却未必愿意把同等能力以开放权重方式释放；中国公司则在开放模型的全球扩散上抢到了更主动的位置。

这会冲击OpenAI、Anthropic的商业模式吗

短期看，Harvey 不会让闭源模型失去市场。对于需要快速上线、无需维护基础设施、又不希望承担模型运维责任的企业，闭源服务仍然更方便。很多客户也更看重服务等级协议、厂商赔偿机制、安全认证和稳定的技术支持。

但中长期看，开放权重模型会改变应用公司的议价能力。过去，法律 AI 公司需要在多个闭源模型之间选择；未来，它们可能同时保留闭源模型和自有模型，把不同任务分配给不同底座。简单摘要交给低成本模型，复杂法律推理交给专门后训练模型，高风险结论则交给人工复核。

这会把模型厂商的竞争从“谁的通用基准分最高”，推进到“谁能提供更好的训练工具、硬件适配、评测框架和企业服务”。即使闭源模型在极限能力上领先，只要开放权重模型在某些专业任务上足够接近，应用公司就有理由把更多工作迁移到自己控制的系统中。

当然，开放权重也会带来安全和监管争议。模型权重一旦公开，原始开发者很难完全控制下游用途；企业自行后训练后，模型出现错误、偏见或违规输出，责任由谁承担也更复杂。美国政府近期围绕是否限制企业测试中国开放权重模型的讨论，正说明模型开放已经不只是商业问题，也涉及国家安全、供应链和技术主权。

但从企业采购角度看，地缘政治并不能替代技术评估。客户最终仍会问几个具体问题：模型能否部署在指定区域？许可证是否允许商业使用？训练数据是否可审计？漏洞是否有补丁？在长文档和多步骤任务中，错误率究竟是多少？Harvey Tenet 能否回答这些问题，将决定它是一次成功的产品策略，还是一次具有象征意义的技术实验。

对开发者和AI产品公司的启示

Harvey 的案例至少给出四个值得借鉴的结论。

1. 底座模型不是产品本身。 Kimi K3 提供的是通用能力，Harvey 的真正壁垒仍然包括法律数据、任务定义、评测集、智能体流程和客户反馈。
2. 专业后训练比盲目追求更大模型更实用。 在清晰的业务场景里，减少错误步骤、缩短输出长度和提高工具调用成功率，可能比增加参数更直接地改善成本和体验。
3. 开放权重的价值在于可控性。 企业可以决定部署位置、版本节奏、数据流向和优化方向，这些能力对金融、医疗、法律等高敏感行业尤其重要。
4. 评测必须从排行榜转向工作流。 不能只看通用问答分数，还要测引用是否准确、长任务是否中断、模型是否会编造法律依据，以及最终需要多少人工返工。

对开发者而言，最值得关注的不是“美国公司用了中国模型”这一标签，而是模型供应链正在被拆开：基础模型可以来自一家机构，行业数据和后训练来自另一家机构，部署和产品体验又由第三家公司完成。谁掌握真实业务数据和高质量评测，谁就有机会在模型之上建立更持久的竞争壁垒。

结语：开放权重进入商业深水区

Harvey Tenet 的发布，证明开放权重模型正在从开发者实验和价格竞争，进入法律等高价值行业的生产系统。它暂时不能证明 Kimi K3 已经全面超过美国闭源模型，也不能证明所有企业都应该放弃托管服务；但它清楚地表明，顶尖 AI 能力与开放部署之间的距离正在缩短。

对 OpenAI、Anthropic 和 Google 来说，真正的压力可能不是某个应用公司换了底座，而是客户开始拥有更多替代方案。对月之暗面和其他中国模型公司来说，开放权重带来的全球影响力，正在通过 Harvey 这类第三方应用进入更高价值的行业。

截至2026年8月23日，Harvey Tenet 公开披露的独立评测和商业价格仍然有限。下一步需要观察的是：它是否会向更多律师事务所开放，是否允许客户构建自己的法律专用模型，以及 Harvey 能否用真实案件中的准确率、延迟和成本数据，证明这次从闭源模型到 Kimi K3 的转向不仅正确，而且可复制。