嫌110亿太少？OpenAI“亲儿子”反水了！

今天聊聊AI圈最近发生的一件大事。

8月20日，美国一家叫Harvey的法律AI公司，发布了它的第一个自有基础模型——Harvey Tenet。

这家公司来头不小，估值高达110亿美元，股东名单更是星光熠熠：OpenAI创业基金、红杉、a16z都投资了，妥妥的硅谷明星独角兽；公司服务全球数千家顶级律所和超过20万名律师，客户包括Latham & Watkins、汇丰、普华永道、KKR等，是法律AI赛道的标杆企业。

按理说，这样的"根正苗红"AI公司自研第一个模型，怎么也该拥抱OpenAI吧？

结果恰恰相反，底座不是GPT，不是Claude，而是中国月之暗面发布的开源模型——Kimi K3。

OpenAI投钱养大的孩子，突然投靠了一家中国模型。这事儿，值得好好分析分析。

01

垂直AI应用的“起义时刻”

先说说Harvey为什么要"另起炉灶"。

过去几年，Harvey的日子过得挺舒服：买OpenAI、Anthropic、Google的API，客户有什么需求就路由到什么模型，每次调用付一笔钱。做应用层的公司都是这么干的——底层能力花钱买，自己专注做产品和客户。

问题出在哪呢？

第一，卖你东西的人，开始惦记你的生意了。

OpenAI挖走了合同管理公司Ironclad的创始人，让他去领导OpenAI自己的法律业务；Anthropic推出了面向律师的文档审查插件。今天还是你的供应商，明天就坐在你客户的会议室里了。用Harvey联合创始人Pereyra的话说：这不是供应商，这是未来的竞争对手。

第二，成本失控。Harvey每个月要处理13万亿token，每一个token都是从别人手里买的。供应商说涨价就涨价，说限流就限流，你的毛利和交付能力，全攥在别人手里。

第三，数据出不出境，是法律行业的命门。合同底稿、并购材料、诉讼策略、客户身份、商业机密——这些东西一旦发给外部闭源模型，企业就得回答一串要命的问题：数据存在哪？谁在处理？会不会被用来训练对手的模型？能不能跨境？

这三座大山一压，Harvey清醒了：不能再只当API租客了，得有自己的模型。

于是他们干了一件事——拿Kimi K3当底座，联合Fireworks AI，只用了约150块英伟达B300 GPU，耗时两个月，通过法律专业数据后训练，炼出了Harvey Tenet。

效果怎么样？在Harvey自建的法律基准测试LAB上，Tenet的任务全通过率从约11%提升到19.7%（相对提升约82%），推理成本却不到闭源前沿模型的四分之一。

花四分之一的钱，干出更强的活。这笔账，谁都能算清。

02

垂直模型的自研门槛被打下来了

再往深里看一层，这事儿真正颠覆的地方在哪。

过去，训练一个大模型是什么概念？

从零预训练一个前沿模型，动辄几万张GPU、烧几个月、数亿美元打底，只有Google、OpenAI、Meta这种级别的巨头才玩得起；垂直行业的公司，哪怕你手握全行业的专家数据和know-how，也只能给闭源模型套个壳、写写提示词，核心能力永远攥在上游手里。

但是今年7月Kimi K3的出现，把这套游戏规则改写了。

月之暗面放出的 Kimi K3 开放权重模型，截至目前仍然是全球第一梯队的开源大模型。据彭博社分析，K3 在性能-成本图上明显位于Pareto 前沿，是中国模型最接近美国前沿模型的一次。

更让Harvey心动的是，K3在法律场景下的表现也处于第一梯队。Artificial Analysis是全球公认最独立的评测平台，它的Harvey LAB-AA 榜单考察的是AI对法律文件的交付质量，比如合同审查、诉讼材料分析、并购文件起草。在“整项任务全通过率”评测中，Kimi K3 以26.7%的成绩位居第一，差不多是第二名Claude Fable 5的两倍。在此之前，全球最高成绩只有14.2%。（见下图）

而开放权重意味着什么？意味着你可以把它下载下来，在自己的服务器上跑，用自己行业的专家数据接着训练，把模型真正"炼"成自己的东西。

Harvey就是这么干的——他们没有从零盖楼，而是在K3这座"摩天大楼"上做"精装修"：

构建了约1750个真实法律任务环境（并购尽调、合同审查、诉讼分析等）；每个任务由执业律师制定几十到几百条评分标准——识别哪些事实、得出哪些判断、引用哪些法条、用什么格式；模型在沙盒里自己查文件、起草意见，裁判模型按律师的标准逐条打分；通过异步强化学习，让模型不仅学法律知识，更学"什么是优秀的法律工作"。

底座是公共的，但"什么是好"的定义权是Harvey自己的。他们把法律行业的专家判断、工作流、评价标准，全部训练进了模型里。

这简直是AI应用和SaaS公司的“普罗米修斯时刻”，未来大家都可以复刻Harvey的经验，低成本、高效率地炼出自己的"专有模型"。

有趣的是，被马斯克以 600 亿美元收购的 Cursor，其抬高估值的主力编程模型Composer2也是基于 Kimi 上一代 K2.5 训练而来的。

03

更重要的意义，是掌控“模型主权”

Harvey选择开源底座，难道仅仅是为了省钱吗？

大错特错！在法律、金融、医疗这些对数据极其敏感的行业，开源底座根本不是“省钱选项”，而是“合规刚需”！

大家想想，法律AI每天处理的都是些什么东西？合同底稿、并购材料、诉讼策略、商业机密！这些要是传到闭源模型的服务器上，哪怕对方拍着胸脯保证“绝对安全”，企业老板们心里能踏实吗？毕竟，底层权重、部署环境、升级节奏，全捏在模型厂商手里，这就等于把身家性命交给了别人！

开放权重，彻底改变了这层关系。企业可以把Kimi K3下载下来，完完全全在自己的服务器或者私有云里跑。数据不出域，模型归自己，这才是真正的安全！

Harvey这次特意强调，Tenet的训练绝对没有用客户的任何数据，全是在自有环境里完成的。而且，保护数据并没有牺牲能力，Tenet的表现反而比底座更强！

Kimi K3这样的开放权重模型，给了企业开拓了一条AI新路：

自己下载模型权重，部署在自有机房或私有云，数据可以不出域；用内部数据做后训练，把行业经验和私有知识沉淀进模型，形成别人拿不走的壁垒；模型版本、更新节奏自己说了算，不用担心供应商突然涨价或下线。

过去大家觉得用开源模型是“买不起闭源的退而求其次”，现在Harvey用K3底座训出来的模型直接把闭源干翻了——开源不是“平替”，是“顶配”换了个更自由的打开方式。"

这对具备算力和技术条件的企业是重大利好：既能拿到第一梯队的 AI 能力，同时牢牢守住数据主权，获得底座层面的运行与迭代自主权。

Harvey这件事之所以引起广泛关注，不仅仅是因为"中国模型第一次进了美国头部AI公司"。

真正重要的是：它验证了开放权重模型进入高端垂直行业核心训练流程的可行性。从前你只能在GPT和Claude之间二选一租API，现在你可以下载一个Kimi K3，用自己行业的专家数据接着训，炼出比闭源模型更懂你业务的专属模型。

OpenAI感受到压力了吗？它最近的降价或许不是巧合。

全球客单价最高、对错误最零容忍的法律行业，已经拿到了造自己模型的入场券。而入场券的底座，是一个中国模型。

底座是公共的，定义权是你的，数据是安全的，成本低效率高。这句话，值得每一个做垂直SaaS、每一个在闭源API上烧钱的中国企业，认真想一想。