据科技媒体MarkTechPost报道，法律AI公司Harvey于8月20日发布其首个后训练模型Harvey Tenet的研究预览。该模型基于Kimi K3开源权重基座，由Fireworks通过异步强化学习在长程法律任务上训练而成，训练数据由合成数据、公开法律数据和人类专家数据混合构成，Harvey称未使用客户数据。

Harvey称，相比基础K3模型，Tenet在自研的Legal Agent Benchmark（LAB）上完成的任务数量接近两倍，在LAB: Contracts上多完成20%，全通过率分别提升9个和2个百分点；在LAB: Contracts上达到当前最优成绩，在LAB上排名第二。效果还未经训练直接迁移至Mercor的APEX Agents和Crosby的Redline Bench。Harvey表示，其目标是双重的：在开放权重模型上构建前沿法律智能，并为律所提供拥有自有专业模型的路径。

不过，Tenet目前不可部署。Harvey表示，该模型只是一个研究预览，尚未发布权重、模型卡或API端点。基座模型为开放权重，Tenet本身是Harvey自己的检查点，相关工作将逐步“从研究走向生产”。当前发布的只是“配方”而非“成品”。该模型仅面向企业客户，通过Harvey平台向律所、中型律所和企业内部法律团队提供。据描述，拥有强化学习栈的实验室可以复现该方法，训练使用约150块NVIDIA B300 GPU，耗时两个月。

应用方面，Tenet面向并购尽职调查、合同起草审查与修订、跨至多1万份文档的结构化信息提取，以及基于律所积累知识的先例搜索。Harvey称，在成本方面，开放权重降低了单token价格，奖励塑造中偏好同等质量下更短的轨迹，从而减少token消耗，实现了“显著质量提升且成本保持稳定”。

Harvey团队还训练了三个专项能力模型，Tenet可将其作为工具或子智能体调用。在并购尽职调查场景，LAB: Diligence单任务最多需遍历8000万token，基础模型最高通过43.8%的评分标准；Harvey与Baseten合作，采用递归语言模型架构，让根智能体在REPL中持有数据室并委派给子智能体，经自蒸馏后，GLM-5.2编排模型的评分通过率从46.1%提升至60.1%。在合同审查表场景，与Applied Compute合作后训练的GLM-5.2在答案质量和引用质量上分别提升3.6分和12.1分，单位成本约为原来的十分之一，并学会了在问题不适用时放弃回答。在律所知识库场景，与Engram合作，让Qwen3.8-27B模型将约1亿token的客户事项压缩为100万token的结构化知识与参数记忆，标准通过率提升超过15%，完成轨迹的token消耗下降58%，单次查询成本下降约90%。