核心观点 - 美国法律AI独角兽Harvey选择中国开源模型Kimi K3作为底座，通过后训练打造专属法律模型Tenet，验证了垂直行业基于开源模型自研专有模型的产业路径[1][5] - 开源模型叙事从“更便宜的替代方案”转向让垂直行业公司能够真正“拥有”自己的模型，将专业数据、专家经验和业务流程转化为模型能力[7] Harvey与Tenet模型 - Harvey估值达110亿美元（约700亿人民币），服务全球2400余家机构，覆盖数十万名律师[1] - Harvey的种子投资人为OpenAI创业基金，此前长期基于硅谷顶尖闭源模型构建服务，但自研第一个模型底座为Kimi K3[5] - Tenet基于Kimi K3进行异步强化学习后训练，针对长周期、agentic法律任务优化，用开源模型提供基础能力，用自己的数据和专家经验定义专业标准[5] - 训练侧搭建约1750个智能体任务环境，完整模拟大型律所真实工作流，单次运行可超过1000轮对话、消耗数十万token[5][6] - 训练在150张NVIDIA B300 GPU上持续两个月，每轮训练完成超过10000次完整任务轨迹采样[6] - 评测采用“全通过”指标，任务在事实、结论、引用、截止日期等每一条评分细则都达标才算成功，漏掉任何关键风险点即判定整体失败[6] - Tenet在自建基准上全通过率提升9个百分点，几乎翻倍；在合同审查子项取得当前最优性能，整体排名第二；在未见过的外部基准上保持强劲泛化表现[6] - Tenet性能提升来自基于K3底座的垂直领域后训练，证明Kimi K3作为基座模型具备极高的“可塑性”和“后训练潜力”[6] Kimi K3模型特性 - Kimi K3为月之暗面发布的稀疏混合专家（MoE）模型，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超长上下文窗口[5] - Kimi K3凭借强大的长上下文能力和MoE架构的效率，成为垂直行业后训练路径中最具吸引力的起点之一[11] 产业路径与趋势 - Harvey提供完整示范：基座为Kimi K3提供前沿通用能力[8]；数据包括公开法律数据、合成数据、人类专家数据（未使用客户数据）[9]；方法为异步强化学习、GSPO优化，奖励函数同时优化质量和成本效率[9]；标准为自建LAB基准和专家rubric[10] - Harvey通过reward shaping激励高效工具使用和推理，偏好在同等性能下消耗更少token的轨迹，Kimi K3等开源模型的token价格优势加上后训练带来的token效率优化，形成双重成本优势[11] - 基础模型层竞争正在商品化，对垂直行业公司而言“选哪个基座”正在变成工程决策[11] - AI竞争从“谁能写代码”进入“谁能理解并重构专业知识工作”的阶段，专业知识工作可以被系统化、被量化、被训练进模型[11] - 闭源API模式下行业公司只能做prompt engineering、RAG和应用层封装，模型本身是别人的，无法把业务标准训练进模型权重[12] - 对于专业知识密集、数据敏感、需要长期迭代的垂直行业，“基座开源+行业后训练”成为越来越有吸引力的路径[12] - 此前AI编程领头羊Cursor以Kimi K2.5为基座训练自己的编程模型，AI工程师Devin开发商基于Kimi K2.7 Code模型开发SWE-1.7模型[12] - 领先的中国开源模型越来越像Android成为手机系统基座一样，成为AI时代的世界创新基座[12]