硅谷110亿美元法律AI公司采用Kimi K3基座发布自研模型

2026年8月20日，硅谷法律AI公司Harvey在其官方博客发布了自研模型Tenet，正文直接声明："Harvey Tenet is a Kimi K3 base that we post-trained together with Fireworks research for long-horizon legal work。"这是公开信息中，中国AI模型首次被估值110亿美元的海外企业选为商业产品底层架构。

Tenet采用异步强化学习，在约150块NVIDIA B300 GPU上训练约2个月，使用约1,750个法律任务环境进行优化。训练结果是在法律基准测试中，hold-out任务的完成量接近基座Kimi K3的两倍，合同处理任务提升20%。

一家美国法律AI公司，为什么选择中国开源模型而非美国本土基座？答案不在技术优越性的简单对标，而在一条正在形成的新商业路径：开源权重＋下游后训练。

技术选择：从闭源API到可自改的开源基座

Harvey的选择并非孤立动作。其官方博客同时披露，M&A尽职调查模块使用GLM-5.2加RLM框架后训练，审阅表格模块也基于GLM-5.2，而Firm Knowledge模块则与Engram合作基于Qwen3.8-27B训练。

Harvey已经不再依赖单一供应商的闭源API来构建产品能力。它正在用开源权重作为基座，通过自己的领域数据和强化学习流程，训练出专属模型。这条路径的核心前提是可修改的权重——如果基座是闭源的，后训练无从谈起。

Kimi K3恰好满足了这一条件。它拥有2.8万亿参数的MoE架构，每次推理仅激活约1040亿参数（896个专家中激活16个），同时提供100万token的上下文窗口。更重要的是，它以开源权重形式发布，允许下游企业在此基础上进行后训练。

技术路线从"调用谁"变成了"改谁的权重"。当一家公司月处理13万亿token的推理需求时，调用API的成本结构与拥有可自改基座的成本结构，是完全不同的商业命题。

成本账：13万亿token/月的经济逻辑

Kimi K3的API定价中，cache-hit输入价格为0.30美元每百万token，cache-miss为3.00美元，输出为15.00美元。据官方披露，编码任务缓存命中率可达90%以上。

换算下来，当缓存命中时，实际输入成本仅为主流前沿模型的零头。Harvey官方未披露切换基座后的具体成本数据，但以其月均13万亿token的推理规模计算，如果基座推理成本降低一个数量级，年度节省金额可达千万美元级别。

对于服务1300家机构、超10万名律师的法律AI平台而言，成本不只是财务报表上的数字。推理成本越低，能够覆盖的长尾法律场景就越广，产品的竞争边界就越宽。

开源模型不是技术替代，而是成本结构的重写。当推理成本从"每次调用付费"变成"自己训练后的边际成本"，商业竞争的维度就从API调用量迁移到了训练效率和领域数据的质量。

后训练流程：150块B300 GPU跑两个月

Tenet的后训练流程有完整的技术披露。训练采用异步强化学习框架，优化算法为GSPO（group-sequence policy optimization），通过rank-64的LoRA技术适配Kimi K3全网络的所有注意力层、MLP层和被路由的专家权重，涉及约50万个expert tensors的调整。

训练数据来自三部分：合成数据、公开法律数据和人类专家数据。其中人类专家数据集与Mercor等合作方共同构建，训练过程声明未使用任何客户数据。评估方面，使用Kimi 2.6作为LLM裁判来评估训练过程中的rollout输出。

约150块NVIDIA B300 GPU、约2个月的训练周期——这在当前大模型训练成本谱系中属于中等规模投入。它不是训练前沿基座所需的数千块GPU和数月时间，而是针对特定领域做深度优化的合理投入。

当基座足够强时，后训练的成本是可控的。Harvey的技术路径证明：2.8万亿参数级别的前沿基座已经开放，企业不需要从头训练，只需要用正确的数据和方法把模型推向自己的专业领域。

产业影响：开源生态的分水岭

Harvey并非只选择了Kimi K3。它的产品线同时采用了GLM-5.2和Qwen系列模型，这表明它在选择基座时遵循的是技术适用性原则，而非单一供应商绑定。但从Tenet的定位来看——它是Harvey用于长程法律工作的旗舰模型——Kimi K3在其模型矩阵中占据了最核心的基座位置。

这一选择的产业意义在于：中国开源AI模型从"技术展示"阶段正式进入了"商业采信"阶段。过去两年，中国AI模型的开源更多是在技术指标上追赶，而这次是被一家以技术能力为核心竞争力的硅谷企业，在真金白银的商业产品中采用了基座权重。

中国开源AI的出海路径正在清晰化：不依赖海外云服务商的生态绑定，而是通过开放权重，让下游企业在各自的专业场景中自行后训练。这是一种"去中心化的商业化"——基座提供方不需要在每个垂直行业建立自己的应用团队，而是让每个行业里最懂行的人来做后训练。

谁受益？谁承压？

受益方首先指向月之暗面。Kimi K3于2026年7月16日发布，仅一个月后就被Harvey选为基座，这是对其模型质量的有力验证。更重要的是，它为中国开源模型提供了一个可复制的出海样本：开放权重→海外企业后训练→商业产品落地→更多企业跟随。

承压方则是闭源API供应商的法律赛道业务。当客户可以选择开源基座自行后训练时，闭源API的议价空间就会被压缩。当然，闭源模型在通用能力和持续更新上仍有优势，但在法律这种专业性强、数据高度特定的领域，后训练的效果正在快速追赶。

不过需要厘清的是，Harvey官方博客全文未提及任何关于替代原有模型供应商的表述，也未出现OpenAI等相关字眼。Tenet是新增能力模块，还是已有能力的基座切换，需要更多信息才能确认。

尚未确认的事项

目前有几个关键问题尚未完全确认：第一，月之暗面与Harvey之间是否签署了正式的商业合作或授权协议；第二，Kimi K3采用的"Kimi K3 License"为自定义许可证，具体商业使用条款需要人工查看HuggingFace仓库的LICENSE文件原文才能确认；第三，Harvey之外是否还有其他海外企业采用了Kimi K3基座。

结论

Harvey Tenet基于Kimi K3后训练并发布，标志着中国开源AI模型的出海进入了新阶段。它不是简单的技术替代事件，而是开源权重＋下游后训练这条路径首次被百亿美金级海外商业产品验证。

技术变化已经发生：当2.8万亿参数的基座可以公开获取，企业的竞争焦点从"谁能调用最强的模型"转向"谁能用最好的数据把模型改得最专业"。商业迁移正在发生：AI公司的成本结构从API调用费迁移到训练算力和领域数据质量。下一个关键节点是，这种模式能否在法律之外的金融、医疗、制造等专业领域被重复验证。

参考数据来源

• Harvey官方：《Harvey Tenet Research Preview》，2026年8月20日，https://www.harvey.ai/en-US/blog/post-training-update-harvey-tenet
• Moonshot AI：《Kimi K3: Open Frontier Intelligence》，2026年7月16日，https://www.kimi.com/en/blog/kimi-k3
• Moonshot AI GitHub：Kimi-K3仓库README及LICENSE文件，https://github.com/MoonshotAI/Kimi-K3