Harvey发布Tenet法律模型 成本降超四分之三

我们推出了 Tenet，这是我们首个为法律领域做了后训练的模型。Tenet 以 Kimi K3 为底座，我们联合 @FireworksAI_HQ 对它做了后训练，训练数据包含公开法律数据、合成数据，以及模拟长周期法律工作的人类专家数据。

训练后，相比 Kimi K3 底座模型，Tenet 在 LAB 上的全通过率提升了 82%，在 LAB Contracts 上提升了 22%。它在 LAB Contracts 上取得了当前最优性能，在 LAB 上排名第二。

这些性能增益可以泛化到其他主流智能体基准测试中，包括 @mercor 的 Apex Agents - Corporate Law、@crosbylegal 的 Redline Bench，以及 @scale_AI 的 Professional Reasoning Bench。Tenet 还针对 token 效率做了优化，运行成本不到顶级底座模型的四分之一。

我们还额外做了三个专用模型的后训练，供 Tenet 作为子代理使用：
1. 并购尽调：联合 @baseten 在我们的 LAB Diligence 环境中，基于 RLM 框架完成后训练，这个模型针对大规模长周期任务做了优化。
2. 表格审阅：联合 @appliedcompute 在我们的 Review Table 环境训练而成，这个模型在大批次文档审阅和结构化数据提取任务上达到当前最优性能，同时具备成本优势。
3. 律所知识：联合 @EngramLab 在我们的合成律所环境训练而成，这个模型经过优化，可通过记忆和结构化笔记学习并检索律所知识。

关于模型训练、环境设计、基准测试、结果等等更多细节，请看@gabepereyra 下文的文章。

Harvey 的研究下一步计划是什么？
- 将 LAB 扩展到更多法域、业务领域和工作流
- 扩展算力，为 Harvey 带来新的通用模型和新能力

更多内容即将推出。