Содержание
Harvey Tenet: зачем юридическому AI понадобилось отдельное пост-обучение
Юридическая AI-платформа Harvey представила исследовательское превью Harvey Tenet — свою первую пост-тренированную модель для длинных агентных задач. В основе лежит открытая Kimi K3, которую Harvey вместе с Fireworks дообучала на юридических сценариях: поиск по материалам дела, чтение документов, подготовка выводов, цитирование и работа по экспертным рубрикам.
Компания подчёркивает, что клиентские данные в обучении не использовались. Корпус собрали из синтетических данных, публичных юридических материалов и данных, размеченных экспертами. Сейчас Tenet — именно исследовательский результат, а не публично доступная модель: веса, модельная карточка и отдельный API пока не опубликованы.
Что показали бенчмарки
По данным Harvey, Tenet выполняет почти вдвое больше удержанных задач на Legal Agent Benchmark по сравнению с базовой Kimi K3, а на LAB: Contracts даёт прирост около 20%. В all-pass rate это плюс 9 процентных пунктов на LAB и плюс 2 пункта на контрактном наборе. Также компания заявляет, что улучшения переносятся на сторонние проверки вроде Mercor APEX Agents и Crosby Redline Bench, хотя модель не видела их во время обучения.
Важная деталь — Harvey оптимизировала не только качество, но и стоимость. В процессе reinforcement learning модель поощряли за более эффективное использование инструментов и более короткие траектории при сохранении качества. Для бизнес-задач это критично: дорогой агент, который часами перечитывает документы, сложно масштабировать даже при хороших ответах.
Почему это важно не только юристам
Tenet хорошо показывает общий тренд AI-рынка: универсальной модели всё чаще недостаточно, если задача требует долгого планирования, работы с большим массивом документов и проверяемых ссылок на источники. Нужен не просто LLM, а связка модели, среды, инструментов, памяти, поиска и доменного обучения внутри реального рабочего процесса.
Для креаторов, маркетологов и бизнеса вывод практичный: следующая волна полезных AI-инструментов будет отличаться не только «умностью» модели, а тем, насколько хорошо она обучена на конкретный тип работы. В юриспруденции это due diligence и контрактный анализ, в маркетинге — исследование рынка и подготовка кампаний, в контенте — поиск фактов, проверка источников и сбор материалов под публикацию.
Что будет дальше
Harvey планирует переносить результаты Tenet и связанные возможности в свои продукты постепенно. Компания отдельно исследует M&A due diligence, таблицы для массового анализа документов и память по знаниям юридической фирмы. Если подход подтвердится в продакшене, это станет ещё одним аргументом в пользу специализированных агентных систем вместо одного «чат-бота для всего».