【天风海外】Harvey （美国头部法律AI）架构更新：企业垂直领域里开源模型怎么实现领域知识与周级别持续学习？ 事件：今日Harvey（美国头部法律 AI 公
- 序号：074
- 星球链接：打开网页
- 附件：图片 0，音频 0，文档 0
- 音频文件：无音频
图片
无图片
正文
【天风海外】Harvey （美国头部法律AI）架构更新：企业垂直领域里开源模型怎么实现领域知识与周级别持续学习？
事件：今日Harvey（美国头部法律 AI 公司，ARR 5亿美元）联合 Fireworks、Engram、Baseten、英伟达等发布 Tenet，专门为长时程法律任务训练的 AI agent 系统，用 150 张英伟达 B300 GPU 训练GSPO+rank-64 LoRA两个月。
我们认为：系统采用"两层模型架构"： 通用能力层：基于中国开源模型 Kimi K3 ，与Fireworks合作强化学习训练泛化法律推理能力，一次训练卖给所有客户。LAB Contracts：SOTA 第一，超过所有闭源。且成本低于原版K3，负责通用长时程 legal agent、任务编排、work product 起草。
M&A Diligence 子 agent：GLM 5.2，负责dataroom 递归检索。 Fire Knowledge子Agent：由 Engram 用小型稠密模型 Qwen3.8-27B 为每家律所独立训练"参数化长期记忆"，律所知识通过"预习学习"阶段直接写入模型权重。我们认为Qwen3.8-27B 是稠密小模型，per-firm study 训练或可以压到几张 GPU × 几天，Engram可weekly study update，单次查询成本 $0.13 vs $1.32（便宜 10 倍），intelligence-per-token 3×。100M tokens 律所知识 → 1M tokens 结构化笔记
谁受益谁受损？1、大参数量模型仍是任务规划必须，大小模型分层架构（我们认为后续SSI或采用onpolicydistillation也是小在线学习模型与大教师模型）下不同架构算力卡均充分利用2、开源模型与强化微调生态受益 3、Engram实现Context大幅压缩，我们认为KvCache相关需求明显受此路线压制。
刘欣/李泽宇
总体总结
主题正文
- 【天风海外】Harvey （美国头部法律AI）架构更新：企业垂直领域里开源模型怎么实现领域知识与周级别持续学习？
- 事件：今日Harvey（美国头部法律 AI 公司，ARR 5亿美元）联合 Fireworks、Engram、Baseten、英伟达等发布 Tenet，专门为长时程法律任务训练的 AI agent 系统，用 150 张英伟达 B300 GPU 训练GSPO+rank-64 LoRA两个月。
- 通用能力层：基于中国开源模型 Kimi K3 ，与Fireworks合作强化学习训练泛化法律推理能力，一次训练卖给所有客户。
- 且成本低于原版K3，负责通用长时程 legal agent、任务编排、work product 起草。
- M&A Diligence 子 agent：GLM 5.2，负责dataroom 递归检索。
- Fire Knowledge子Agent：由 Engram 用小型稠密模型 Qwen3.8-27B 为每家律所独立训练"参数化长期记忆"，律所知识通过"预习学习"阶段直接写入模型权重。
- 我们认为Qwen3.8-27B 是稠密小模型，per-firm study 训练或可以压到几张 GPU × 几天，Engram可weekly study update，单次查询成本 $0.13 vs $1.32（便宜 10 倍），intelligence-per-token 3×。
- 1、大参数量模型仍是任务规划必须，大小模型分层架构（我们认为后续SSI或采用onpolicydistillation也是小在线学习模型与大教师模型）下不同架构算力卡均充分利用2、开源模型与强化微调生态受益 3、Engram实现Context大幅压缩，我们认为KvCache相关需求明显受此路线压制。