Harvey Tenet 押注開放權重模型：法律 AI 走向可自訂部署

圖片：TechLab 自製資訊圖

TechLab 編輯部（譯）·2026-09-09

Harvey 公布完成 5.5 億美元新一輪融資，估值達 155 億美元。與融資數字同樣值得留意的，是這家法律 AI 公司在數周前推出首個自研模型 Harvey Tenet：它以開放權重模型 Kimi K3 為基礎，經法律資料後訓練而成，並由推理供應商 Fireworks 協助。這意味法律 AI 的競爭焦點，正由「接入哪一家大型模型」逐步延伸至「能否將模型調校至可處理特定專業工作」。

不過，這不應被理解為 Harvey 已經證明開放權重模型必然優於 OpenAI 或 Anthropic 的專有前沿模型。原始報道未有提供 Tenet 的準確率、成本、可處理司法管轄區、資料治理安排或客戶實際成效，也沒有說明它能否獨立覆蓋全部法律工作。較合理的解讀是，Harvey 正嘗試增加企業可選擇的模型層，讓法律團隊按工作種類、資料限制及內部要求配置 AI，而非將整個工作流綁定於單一外部模型平台。

從估值上升，看投資人押注的部署能力

據 Harvey 公布的資料，今輪融資由 Diffusion 與 Lightspeed Venture Partners 領投；公司累計融資超過 15.5 億美元。TechCrunch 指出，Harvey 在今年 3 月公布 2 億美元融資、估值 110 億美元；再此前的去年 12 月一輪融資，其估值為 80 億美元。換言之，公司估值約九個月內接近倍增。這些融資與估值資料主要由公司公布，外界可視為資本市場對其成長前景的定價，未必等同其產品已在每項法律任務取得同等程度的驗證。

這輪資金的意義，因而不只在於一家法律科技公司再獲巨額投資。法律工作有大量長篇文件、檢索、歸納、條款比較及初步草擬流程，同時又牽涉客戶機密、法律責任與可追溯性。若 AI 平台能在既有通用模型之上，建立面向領域的後訓練、推理與客戶模型管理能力，便有機會進入律師行及企業法務部門更核心的工作流程。反過來說，這也會把產品責任由單純聊天介面，推向模型表現、資料邊界及審核流程的整體設計。

Tenet 的核心，是領域後訓練而非自行預訓練

Harvey Tenet 的已知技術路線相當清楚：公司沒有在報道所述內容中聲稱從零開始預訓練基礎模型，而是採用開放權重的 Kimi K3，再以法律資料進行後訓練。這個分工讓產品公司可把資源集中於法律語境、專業任務及客戶需求，而不用承擔訓練通用基礎模型所需的完整資本與算力負擔。Fireworks 的角色則顯示，模型推理與訓練支援本身也可由專門供應商提供，法律 AI 產品未必需要把所有技術環節收歸自建。

對專業服務機構而言，後訓練的吸引力在於可把通用語言能力進一步對準特定工作方式。例如同一份合約的分析重點，可能取決於機構慣用條款、內部風險分類、文件格式與覆核程序。這是根據 Harvey 所述策略作出的分析，並非對 Tenet 現有功能的確認。實際採用時，團隊仍要驗證模型能否準確引用材料、分辨不確定之處，以及在高風險結論前把問題交回具資格的人員判斷；AI 輸出的流暢程度，並不能代替法律專業覆核。

客戶自訂模型，帶來控制權亦帶來新責任

Harvey 不只提供自家模型，亦鼓勵客戶採用並自行後訓練開放權重模型。這一點比單次模型發布更有策略含義：客戶若能將自己的工作資料、分類方式或任務要求納入後訓練，可在一定程度上建立更貼近內部流程的模型資產，也可降低工作流完全依賴 OpenAI、Anthropic 等專有前沿模型供應商的程度。

但「可自訂」從來不等於「可放心交託」。客戶若參與模型選擇及後訓練，便要更直接處理訓練資料來源、使用權限、敏感資料隔離、版本管理及成效驗證等問題。開放權重模型可增加部署和調校的彈性，卻不會自動解決保密、偏差或錯誤建議風險。尤其法律文件往往包含商業談判、個人資料及受保密義務保障的內容，機構需要先界定哪些資料可用於測試、後訓練或推理，並設定人手覆核與留存紀錄。這些管治安排會直接影響部署能否符合保密和問責要求。

另一個取捨是維運複雜度。使用單一專有模型 API，採購與啟用可能較直接；採用開放權重模型加上領域後訓練，則可換來更多控制空間，但也可能增加模型評估、基礎設施協調及安全管治的負擔。對大型律師行或跨國企業法務部門，這種彈性或有吸引力；對資源較少的團隊，能否承擔長期的資料與模型管理成本，會影響部署是否划算。Harvey 的案例顯示，垂直 AI 供應商的價值可以在於把這些複雜環節產品化，而不只是提供一個生成文字的介面。

對香港法律與合規團隊的參考，仍須回到本地管治

香港的律師行、合規團隊及企業法務部門同樣面對文件審閱、研究及資料私隱要求，因此 Harvey 的部署思路具參考價值：先選擇可接受的基礎模型，再以機構可控的資料和工作流程進行調校，並保留專業人員把關。不過，原始報道沒有指出 Harvey 在香港提供服務，也沒有交代其模型是否適用於香港法例、中文法律文件或本地專業責任要求，不能把海外案例直接當作香港可用的法律意見工具。

對本地機構而言，較有參考價值的是採購、資料管治和人手覆核的決策框架。：先將低風險的整理、比對與資料提取工作，與需要專業判斷的研究及意見工作分開；再釐清資料可否離開內部環境、誰有權存取、輸出如何覆核，以及模型更新後怎樣重新測試。若欠缺這些基礎管治，開放權重或專有模型都可能只是在原有風險之上增加一層不透明度。講到底，模型選型要配合流程和責任分工。

下一步值得觀察的，是 Harvey 能否以公開且可比較的方式，說明 Tenet 和客戶後訓練模式在真實法律工作中的可靠性、資料控制及營運成本。市場也會留意大型專業服務機構是否願意由採用通用 AI，進一步投資於自訂模型能力。若這類模式逐漸成熟，受影響的不只法律 AI 供應商，還包括推理平台、企業 IT 團隊，以及負責資料私隱與風險管治的人員。