英伟达砸下 60 亿全力冲刺新一代开源大模型，硅谷的 AI 赛道已经卷到白热化。但最近发生的一件事，打破了很多人的固有认知：由 OpenAI 领投、估值 110 亿美元的全球头部法律 AI 独角兽 Harvey，推出自家首款自研模型 Tenet，没有选用投资人 OpenAI 的 GPT 系列，而是直接拿中国 KimiK3 作为训练底座。

这件事不是一次简单的技术选型，背后藏着垂直 AI 企业的生存焦虑，也撕开全球大模型产业新的现实：通用闭源模型不再是唯一答案，开放权重底座，正在成为各行各业造专属 AI 的新工业原料。

一、一封邮件起家，四年长成百亿法律 AI 明星

Harvey 算得上硅谷的一段创业传奇。2022 年，前诉讼律师 WinstonWeinberg，加上 GoogleDeepMind 出身的研究员 GabePereyra，两个人写了一封邮件发给 SamAltman。一封邮件换来了和 OpenAI 高管团队的线上会议，OpenAI 创业基金直接领投种子轮，这家法律 AI 公司就此起步。

短短四年时间，Harvey 一跃成为全球估值最高的法律 AI 企业。它的客户名单星光熠熠，国际顶级律所、汇丰、普华永道、桥水、KKR 都是使用者，业务覆盖 60 多个国家，服务上万名执业律师。去年底估值冲到 80 亿美元，今年 3 月来到 110 亿美元，新一轮融资更是向着 155 亿美元估值推进，年化收入已经达到 3.5 亿美元。

在此之前，Harvey 的模式很简单：做上层应用，调用 OpenAI、Anthropic、谷歌的闭源 API，把不同法律需求路由给不同模型，按 token 按量付费。这套模式早期跑的十分顺畅，不需要自己投入巨额算力训练底层模型，专心打磨面向律师的产品体验就够了。

可好日子没过多久，危机就从账单和竞争两个方向同时找上门。

二、供应商变成对手，天价账单逼出自研决心

对 Harvey 来说，最大的隐患，就是给自己供货的模型厂商，转身下场抢自己的客户。

OpenAI 挖来合同管理公司创始人，组建内部法律 AI 业务；Anthropic 也上线面向律师的合同审查插件。过去的 API 供应商，摇身一变，成了直接竞争的对手。Harvey 联合创始人 Pereyra 直言，这些公司已经不能简单定义为供应商，他们就是未来的竞争者。

成本压力更是悬在头顶的一把刀。Harvey 每个月要处理 13 万亿 token，每一次调用都要向外付费。全部依赖外部闭源 API，成本完全不受自己掌控，对方一纸涨价通知，企业就要被动承受。业务规模越大，这笔开销就越吓人。

一边是对手就在身后，一边是随时失控的巨额账单，Harvey 必须拿到属于自己的 " 筹码 "。与其永远仰人鼻息调用别人的模型，不如基于开源底座训练一套属于自己的垂类模型。手里拥有可以修改、本地部署、成本可控的模型，后续再和各大模型厂商谈 API 采购，才有议价的底气。

于是 Tenet 项目正式启动，但它没有走传统大模型 " 从零预训练 " 的烧钱老路。

三、150 张卡两个月，给中国底座做 " 精装修 "

训练 Tenet，Harvey 仅仅投入大约 150 张 NVIDIAB300 显卡，耗时两个月就完成后训练优化。

要知道，训练一款前沿通用大模型，往往需要数万张显卡连续运转数月，烧走上亿美元。Tenet 更像是在 KimiK3 这座已经建好的摩天大楼之上，做深度精装修，不去重新打地基，专注打磨法律行业的专项能力。

训练方式也很有意思，Harvey 没有一味给模型灌输法条文本，而是用异步强化学习，教会模型像资深律所合伙人一样处理真实案件。

他们找来大量在职执业律师充当教练，手动搭建各类模拟案件：一桩复杂并购纠纷、几十份混杂证据的合同卷宗，全部交给模型实操。律师会设定几十条严苛评判标准，风险点有没有遗漏、判例引用是否准确、逻辑链条能不能站住脚。规则十分残酷，只要有一项不达标，整轮任务直接判定失败，只有全部通过才算合格。

这套训练方式效果肉眼可见。在 Harvey 开源的法律测评基准 LAB 当中，Tenet 对比原始 K3 底座，全任务通过率提升 82%，可以完成的法律任务数量几乎翻倍，合同专项榜单达到行业顶尖水平。第三方机构 Mercor 测试公司法相关题目，Tenet 相比基座高出 15 分拿下第一，而推理运行成本，仅仅是主流顶尖闭源模型的四分之一。

这里需要厘清一点：选用 KimiK3 底座，不等于业务数据外流。开放权重模型支持本地化部署，Harvey 可以把整套模型跑在自己掌控的服务器环境，客户涉密卷宗、并购材料等敏感数据，完全不用外传，兼顾性能和数据安全，这也是垂直企业格外看重的一点。

四、为什么偏偏选中 KimiK3？不是图便宜，是实战筛选的结果

很多人会简单把这次选择归结为性价比，但服务全球顶级律所的 Harvey，对 AI 出错零容忍，一份尽调报告漏掉风险点，就可能引发数千万美元诉讼，它不可能单纯为省钱冒险。选择 KimiK3，是经过严苛实测之后的理性结果。

KimiK3 是目前全球规模最大的开放权重 MoE 模型，拥有百万级超长上下文窗口。处理并购案动辄上千万 token 的卷宗材料，长上下文是硬性门槛，很多闭源模型连完整卷宗都装不下，更谈不上深度分析。

同时权重完全开放，不被 API 黑盒锁住。闭源模型哪怕性能再强，企业只能写提示词、调参数，触碰不到模型底层。KimiK3 允许企业做深度微调，甚至深入数十万专家张量当中做针对性修改，这对深耕垂直场景至关重要。

Harvey 也不是第一家 " 相中 "Kimi 系列的硅谷明星公司。AI 编程头部 Cursor，自研模型 Composer2 的底座就是 Kimi2.5；AI 搜索龙头 Perplexity 很早就拿 K2 做内部后训练；就连 OpenAI 前 CTO 创办的新公司，也接入 Kimi 系列用于微调产品。编程、搜索，再到法律，中国开源底座正在接连经过硅谷硬核企业的实战检验。

当然 Tenet 不会直接完全替代 GPT、Claude，Harvey 依旧保留多模型路由，只是多出来一张完全掌握在自己手里的底牌。这件事也带动整个行业发生连锁反应，OpenAI 在 7 月底紧急将 GPT ‑ 5.6Luna 降价 80%，上市仅仅三周就大幅打折。

来自 OpenRouter 平台的数据更能看清趋势，美国企业调用中国模型的 token 占比，峰值一度冲到 46%。DoorDash、Airbnb 等企业，都开始借助中国开源模型控制 AI 成本。硅谷投资人 DavidSacks 直接表态，就算尝试限制开源模型，中国依旧会持续发布强能力开放模型，最后受损的反而是 Harvey 这类本土创业公司。

五、大模型新时代：每家行业公司，都能拥有自己的专属模型

HarveyTenet 真正的价值，远不止一款法律 AI 模型，它跑通了一套可以复制的产业路径：拿成熟开放权重底座，叠加行业专家的真实反馈数据，通过后训练微调，垂直企业不需要斥资数亿，也能打造出适配自身业务的前沿模型。

大模型行业正在悄悄发生角色转变。底座大模型慢慢变成标准化工业原材料，真正的竞争壁垒，不再是谁能烧钱堆出更大参数，而是行业 know ‑ how、专家标注反馈、后训练手段、落地部署成本。

Harvey 已经规划下一步，算力规模从 1000 卡扩充到 10000 卡，尝试全参数微调，测试更多开放底座。它的终极目标，是让每一家律所，都能拥有属于自己的专有 AI 模型。

法律作为高客单价、高风险的专业服务业，率先踩通这条路，医疗、金融、工程制造等行业都在观望效仿。过去大家默认，只有巨头才有资格做大模型，如今开源正在打破这种垄断。

这场变化之中，来自中国的开放权重模型，站到了全球产业舞台的关键位置。