OpenAI 投资的法律科技公司 Harvey 官宣推出自有模型 Harvey Tenet，底座不是 OpenAI，而是月之暗面开源的 Kimi K3。法律评测中 Kimi K3 通过率 94.6% 居首；Tenet 后训练仅用 150 块 B300、两个月。
一个礼拜前，美国法律科技公司 Harvey 在 X 上官宣：推出基于 Kimi K3 训练的首个自有模型 Harvey Tenet。消息一出，迅速在 AI 圈掀起波澜。
基于开源模型做后训练并不新鲜——今年 3 月，Cursor 的自研编程模型 Composer 2 就被扒出基于 Kimi K2.5；DoorDash、Airbnb 也在部署开源模型降本。但 Harvey 不同。
Harvey 可能是最不该选中国模型的 AI 公司。
诞生于 2022 年的 Harvey，先后获得 OpenAI、红杉资本、a16z 注资，估值已达 110 亿美元，全球 75 家以上 Am Law 100 律所都是它的客户。其产品原型建立在 OpenAI 模型之上，双方还合作训练过面向美国判例法的定制模型。被视作 OpenAI"亲儿子"的公司，第一款自有模型却以中国开源模型为底座。
Harvey 与 OpenAI 的关系，远非寻常的"投资与被投资"。OpenAI 既是资本来源，也是最重要的技术靠山。双方分工一度清晰：OpenAI 提供越来越强的通用模型，Harvey 负责理解律师、法律文件和律所工作流，再把模型包装成产品。
但基础模型公司一旦进入应用层，上下游关系就出现了裂痕。
2026 年，合同管理公司 Ironclad 的联创 Jason Boehmig 加入 OpenAI，负责开发面向法律行业的产品，直接与大型律所合作。站在 Harvey 的立场上，过去的盟友正在变成潜在竞争者。如果核心能力始终建立在闭源模型之上，上游厂商向下走一步，应用层积累的优势就可能在一次模型更新中被覆盖。
能力是"租来的"——模型每次迭代都可能吞掉应用层的专属功能，边界脆弱。
模型能力变成自有资产，可修改、可迁移、可私有部署，壁垒随迭代加深。
除了生存压力，还有成本。Harvey 联创 Gabe Pereyra 透露：2026 年 1 月至 6 月，Harvey 平台每月 Token 消耗从约 1 万亿增长到 14.5 万亿，半年增长超过 14 倍。模型调用正在从技术采购费，变成影响毛利率的成本中心。
箭头表示半年增长倍数。一个法律 Agent 可能要读取数百份文件、连续搜索判例、反复调用工具验证结论——任务越复杂，调用链越长，Token 消耗越失控。
客户的账单里躺着收入，也躺着供应商的成本。这种结构，很难长期维持。
2026 年 7 月，月之暗面正式开源 Kimi K3：总参数 2.8 万亿，支持百万 Token 上下文，重点能力指向编程、知识工作和长周期 Agent 任务。在 AI 评测平台 Artificial Analysis 的 Harvey LAB-AA 测试中，Kimi K3 拿下两项第一：
两项评测分别衡量"交付物质量"与"把整件事从头到尾跑通"。后者对 Agent 来说是更严格的试金石。
律师的工作很少是回答一道孤立的问题，而是要在大量材料中持续工作：建立事实关系、识别冲突、判断风险、补充引用。这正是 Agent 能力的用武之地。Kimi K3 没有在所有测试中全面超过最强闭源模型——但差距已经缩小到足以改变企业选型。
让 Harvey 下决心的，还有两个现实因素。
第二个是权限。闭源 API 只能调参数、写提示词；开源权重则允许 Harvey 修改模型本身，适应自己的法律数据、任务环境和评价体系，还能按任务成本优化推理路径、自主选择部署基础设施。
一个向 Harvey 出售智能，另一个允许 Harvey 把智能变成自己的生产资料。
Harvey 在官方技术博客中强调：这并非简单的"拿法律材料微调"。整个后训练过程可以拆成一条清晰的生产链路：
具体来说，Harvey 将律师的事实判断、引用要求、风险评级、修改建议和交付格式，拆解成可评分的专家标准；让模型反复完成完整任务，再用律师制定的标准打分，通过强化学习把更好的工作方法写进模型。
柱形为相对比例缩放，非实际百分比长度；得分以右侧标注为准。两项评测中，Tenet 均显著领先通用闭源模型。
Kimi 提供前沿通用能力；Harvey 负责让模型像一名律师一样工作。
Tenet 的后训练只用了约 150 块 NVIDIA B300、两个月时间。用极低的算力和成本，验证了一条可以被其他行业复用的路径。
很长一段时间里，打造前沿模型是少数公司的游戏。应用公司只能接入闭源 API，在外层加提示词、知识库、工作流——拥有场景，却没有完全拥有能力。
未来真正能复制 Harvey 路线的公司，需要同时具备四项资产：
医疗公司需要知道什么证据不足以支持结论；金融公司需要定义风险评级与合规边界；制造企业需要把故障判断和工艺经验拆解成可评分的任务。这些标准很难从公开语料中获得——这正是垂直公司构建壁垒的绝佳机会。
Harvey 的下一个目标，是把算力从 1000 卡扩到 10000 卡，做全参数微调，尝试更多开放底座——最终让每家律所都能拥有自己的专有模型。商业飞轮已经转动：客户越多，任务环境越丰富；专家反馈越多，评价体系越精确；模型能力越强，产品与通用大模型的差异越大。
AI 应用公司不再只是基础模型能力的经销商。当开源底座把模型门槛拉下来，行业知识会把壁垒推上去——谁能把专家经验变成可训练的评分标准，谁就拥有下一个时代的模型。中国开源模型的角色，正在从"低成本平替"变成全球 AI 应用层的地基。
Kimi K3 权重已开源，可通过月之暗面官方渠道获取模型卡与技术文档；
Harvey Tenet 处于研究预览阶段，后续将推进全参数微调与更大规模部署。