Harvey 推出首个法律领域模型 Tenet，基于 Kimi K3 后训练

AI 法律科技公司 Harvey 近日推出其首个自有模型 Tenet，主打「长周期法律工作」场景。该模型基于月之暗面（Moonshot）的大模型 Kimi K3 进行后训练，并与模型托管与训练平台 Fireworks AI 合作，采用其 Training API 上的异步强化学习（async RL）流程完成训练。Fireworks 在其官方 X 账号以连载帖形式披露了初步结果，并宣称模型在性能与成本效率两项指标上均取得了「令人鼓舞」的早期表现。

模型定位与训练路径

Tenet 被官方定义为 Harvey 首个专门针对长链路法律任务训练的模型。所谓「长周期法律工作」，通常涵盖复杂案件研究、多文档交叉分析、合同审阅与诉讼准备等需要多步骤推理与持续上下文的任务。Harvey 选择在 Kimi K3 这一通用基座模型之上进行领域化后训练，而非从零训练或仅做提示工程，意在借助开源/开放权重基座的通用推理能力，再以法律专业语料与强化学习方法注入领域知识。

• 基座模型：Moonshot Kimi K3
• 后训练方式：异步强化学习（async RL）
• 训练平台：Fireworks AI Training API
• 目标场景：长周期法律任务

与 Fireworks 的技术协作

Fireworks AI 在线程中强调，本次合作的核心在于其 Training API 提供的异步强化学习能力。异步 RL 通常指训练过程中推理与参数更新解耦，从而在不牺牲推理质量的前提下提高训练吞吐、降低成本。Harvey 选择 Fireworks 作为训练基础设施，反映出中等规模 AI 公司借助第三方平台完成领域模型定制，正在成为一种工程化路径。

初期表现与信息缺口

Fireworks 仅以「promising initial results for both performance and cost-efficiency」概括早期结论，并未在连载帖中公布具体的基准测试分数、准确率、吞吐量或单位推理成本等可量化指标。截至目前，Harvey 方面尚未发布完整的技术报告或博客详细说明数据构成、强化学习奖励设计或对比基线，因此 Tenet 在与通用大模型直接对比、法律任务专项评测（如 LegalBench 等）中的实际表现仍待后续披露。

综合来看，Tenet 的发布标志着 Harvey 从「调用第三方大模型的 AI 应用层公司」向「拥有自有领域模型的厂商」演进。结合 Moonshot Kimi K3 与 Fireworks 异步 RL 的工程组合，也展示了在专有数据可用、训练预算有限的细分场景中，开放权重基座 + 第三方训练平台 + 领域强化学习的协同潜力。但要评估 Tenet 的真实竞争力，仍需等待更详尽的 benchmark 与公开案例。