Harvey Tenet: Nowy model AI dla prawników, oparty na Kimi K3, rewolucjonizuje pracę agentów prawnych

Firma Harvey udostępniła Harvey Tenet – swój pierwszy post-trenowany model, w ramach zapowiedzi badawczej. Tenet to model bazowy Kimi K3, który został poddany dalszemu treningowi z wykorzystaniem technologii Fireworks poprzez asynchroniczne uczenie wzmacniające, skoncentrowane na długoterminowych zadaniach prawnych. Korpus treningowy obejmował dane syntetyczne, publicznie dostępne dane prawne oraz dane od ekspertów, przy czym firma Harvey podkreśla, że nie wykorzystano żadnych danych klientów. Celem projektu jest stworzenie przełomowej inteligencji prawnej opartej na modelach o otwartej wadze oraz umożliwienie kancelariom prawnym posiadania własnych, wyspecjalizowanych modeli.

Znaczące usprawnienia w benchmarkach prawnych

W porównaniu do bazowego modelu K3, Tenet wykonuje niemal dwukrotnie więcej zadań w wewnętrznym benchmarku Harvey Legal Agent Benchmark (LAB) oraz o 20% więcej w podzbiorze LAB: Contracts. Przełożyło się to na wzrost wskaźnika „all-pass rate” odpowiednio o 9 i 2 punkty procentowe. Harvey donosi o osiągnięciu najlepszych wyników (state-of-the-art) w LAB: Contracts oraz drugiego miejsca w ogólnym rankingu LAB. Co istotne, uzyskane usprawnienia przeniosły się również, bez dodatkowego treningu, na benchmarki Mercor APEX Agents oraz Crosby Redline Bench. Jednocześnie, model zachował wysoką wydajność w standardowych benchmarkach wiedzy, takich jak LegalBench, CUAD, MAUD i Scale PRBench, co świadczy o tym, że trening agentowy nie osłabił podstawowego rozumowania prawnego.

Metodologia treningu i optymalizacja kosztów

Trening modelu Tenet wykorzystywał asynchroniczne uczenie wzmacniające w środowiskach prawnych typu „sandbox”, zaprojektowanych na wzór zadań LAB. Każde zadanie obejmowało instrukcję w stylu partnerskim (około 50 słów), materiał klienta zawierający kluczowe i poboczne dokumenty, oraz ekspercką rubrykę z atomowymi kryteriami zaliczenia/niezaliczenia (około 50 na zadanie, a w skrajnych przypadkach setki). Pojedyncze „rollouty” mogły przekraczać 1000 tur. Ocena „rolloutów” odbywała się za pomocą modelu językowego działającego jako sędzia (LLM-as-a-judge), a w procesie ablacjowania wybrano model Kimi 2.6. Nagroda była kombinacją spełnionych kryteriów rubryki, holistycznej liczby rozwiązanych problemów prawnych oraz bonusu za pełne zaliczenie. Polityka była optymalizowana za pomocą GSPO z wykorzystaniem rank-64 LoRA na pełnej sieci K3, z ośmioma grupami zadań po osiem „rolloutów” na krok optymalizatora, w około 1750 środowiskach i ponad 10 000 „rolloutów” na epokę.

Firma Harvey podkreśla, że optymalizacja kosztów była współoptymalizowana, a nie poświęcana. Otwarte wagi bazowego modelu Kimi K3 obniżają koszt na token, a kształtowanie nagród, które preferuje krótsze trajektorie przy zachowaniu tej samej jakości, zmniejsza zużycie tokenów. W rezultacie, Harvey odnotowuje znaczące wzrosty jakości przy stabilnych kosztach.

Status i przyszłość modelu

Harvey Tenet jest obecnie dostępny jako zapowiedź badawcza, ogłoszona 20 sierpnia 2026 roku. Firma Harvey nie opublikowała jeszcze wag modelu, karty modelu ani punktu końcowego API. Chociaż model bazowy Kimi K3 ma otwarte wagi, sam Tenet jest wewnętrznym punktem kontrolnym firmy Harvey. Przedsiębiorstwo deklaruje, że praca nad modelem będzie stopniowo przechodzić „od badań do produkcji” w ramach produktów Harvey. Obecnie udostępniono „przepis”, a nie gotowy artefakt.

Rozwój takich modeli jak Harvey Tenet wskazuje na rosnącą specjalizację sztucznej inteligencji w konkretnych dziedzinach, takich jak prawo. Możliwość tworzenia i posiadania przez kancelarie prawne własnych, wyspecjalizowanych modeli AI, opartych na otwartych architekturach, może zrewolucjonizować sposób świadczenia usług prawnych, zwiększając efektywność i dostępność, jednocześnie otwierając nowe perspektywy dla innowacji w sektorze prawniczym.

Źródło: marktechpost.com