OpenAI的“亲儿子”，想要用中国开源模型拿回自主权
一个礼拜前，美国法律科技公司Harvey在X上官宣了一则消息：隆重推出基于
消息一出，迅速在AI圈掀起了一场波澜。
基于开源模型后训练的事已经屡见不鲜。早在3月份，Cursor的自研编程模型Composer 2，就被扒出是基于
为何一家法律科技公司的“自有模型”，在国内外引发了如此大的关注？答案在于：Harvey可能是最不应该选择中国模型的AI公司。
诞生于2022年的Harvey，先后获得了OpenAI、红杉资本、a16z等机构的注资，市场估值已经达到110亿美元，全球75家以上Am Law 100律所都是Harvey的客户。而且Harvey的产品原型就是建立在OpenAI模型上的，双方还曾合作训练面向美国判例法的定制模型。
正是这样一家被视为OpenAI“亲儿子”的公司，在训练自己的第一款基础模型时，选择以中国的开源模型为底座。
OpenAI的“亲儿子”，为什么要独立求生？
Harvey与OpenAI的关系，远非寻常的“投资者与被投资者”。
一位创始人曾是证券和反垄断律师，另一位创始人有过DeepMind和Meta的工作经历。两人最初只是用GPT-3测试法律问答，随后获得了OpenAI Startup Fund领投的500万美元种子融资。
在Harvey的早期故事里，OpenAI既是资本来源，也是最重要的技术靠山。
到了2023年，Harvey完成8000万美元B轮融资时，OpenAI和红杉资本继续参与。Harvey在融资公告中明确表示，公司正在与OpenAI合作开发面向专业服务行业的领域模型。
双方的分工一度非常清晰。
OpenAI负责提供越来越强的通用模型，Harvey负责理解律师、法律文件和律所工作流，再把模型包装成法律行业可以使用的产品。OpenAI拥有模型，Harvey拥有客户，双方处在产业链的上下游。
可当基础模型公司开始进入应用层，上下游关系出现了裂痕。
时间来到2026年，合同管理软件公司Ironclad的联合创始人Jason Boehmig加入OpenAI，负责开发面向法律行业的产品，直接与大型律所合作。站在Harvey的立场上，过去的盟友正在成为潜在竞争者。
如果Harvey最核心的能力始终建立在OpenAI等闭源模型之上，OpenAI在内的上游模型厂商一旦直接进入法律工作流，Harvey就很难形成真正独立的技术边界和竞争壁垒。
这也是大多数AI应用公司的困境。
当基础模型的能力还在快速进步时，应用公司依靠提示词、知识库和工作流建立起来的优势，随时可能被下一次模型更新覆盖。昨天还需要专门开发的功能，明天可能就会成为通用模型的标准能力。模型供应商只要向下走一步，就可能吃掉应用公司的价值。
除了生存压力，Harvey还面临另一个问题——成本。
Harvey联合创始人Gabe Pereyra在媒体采访时表示：2026年1月至6月，Harvey平台每月消耗的Token数量从约1万亿增长到了14.5万亿，半年增长超过14倍。模型调用正在从技术采购费，变成影响毛利率的成本中心。
原因并不难解释。
不同于一问一答的聊天机器人，一个法律Agent可能要读取数百份文件，连续搜索判例，反复调用工具，对不同结论进行验证……任务越复杂，调用链条越长；Agent越普及，Token消耗增长越快。
由此形成了一种隐蔽的成本陷阱：客户和收入属于Harvey，但伴随业务规模不断增长的模型成本，则在持续流向供应商。对于一家估值110亿美元、试图成为法律AI基础设施的公司来说，这种结构很难长期维持。
中国的开源模型 ，制造了一次 “ 出逃 ” 机会
2026年7月，月之暗面正式开源了
独立AI评测平台Artificial Analysis使用Harvey LAB-AA对
对于Harvey而言，第一次看到了开源模型替代闭源模型的可行性：律师的工作很少是回答一道孤立的问题，通常需要模型在大量材料中持续工作，建立事实关系、识别冲突、判断风险、补充引用，一个模型的Agent能力、对复杂知识的处理能力，远比“答对一道题”有价值。
让Harvey下决心基于
第一个是价格。
第三方评测平台Arena的数据显示，
第二个是权限。
有别于闭源模型调参数、写提示词的局限性，Harvey可以在
按照Harvey在官方技术博客中公开的信息：并非简单“拿法律材料微调”，搭建了约1750个法律任务环境，将律师的事实判断、引用要求、风险评级、修改建议和交付格式拆成可评分的专家标准，让模型反复完成完整任务，再用律师制定的标准进行打分，通过强化学习把更好的工作方法写进模型。
Legal Agent Bench的测试结果显示：Tenet的“整项任务全部通过率”为19.7%，高于Fable 5的11.5%和GPT-5.6 Sol的2.5%；在企业法律任务组成的APEX Agents测试中，Tenet得到74.0%，同样高于Fable 5的67.4%和GPT-5.6 Sol的60.3%。目前Tenet仍处于研究预览阶段，但已经在Harvey LAB测试中达到SOTA。
简单来说，
从1到N，AI应用的“普罗米修斯”时刻
Harvey迈出的一小步，可能是改写AI应用市场格局的一大步。
一个不应该被忽略的细节在于：Tenet的后训练仅用了约150块 NVIDIA B300，只花了两个月的时间。
用极低的算力和成本，验证了一条可以被其他行业复用的路径，点燃了垂直AI公司自主造模的“火种”，即开放权重模型＋行业专家数据＋任务评价环境＋后训练＝专有的垂直模型能力。
很长一段时间里，打造前沿模型都是少数AI公司的游戏。
从零训练一款通用基础模型，需要巨额算力、海量数据、完整的研究团队和持续迭代的基础设施。法律、医疗、金融、制造等行业公司，即使掌握大量专业知识，也无法参与模型本身的建设。通常只能接入闭源API，然后在外层增加提示词、知识库、工作流和产品界面。
这种模式创造了第一代AI应用，却也带来了一个问题：应用公司拥有场景，却没有完全拥有能力。
Harvey提供了另一种可能。
无须重新预训练一个通用模型，而是基于
模型门槛向下拉的同时，行业知识的门槛将被向上推。
未来最有能力复制Harvey Tenet路线的，不会是所有接入大模型的创业公司，需要同时具备四项资产：真实业务数据、行业专家、可量化的评价标准，以及能够形成反馈闭环的客户工作流。
比如医疗公司需要知道，什么样的诊疗建议存在遗漏，什么证据不足以支持结论；金融公司需要定义风险评级、信息引用和合规边界；制造企业则需要把故障判断、工艺经验和操作规范拆解成模型可以评分的任务……这些标准很难从公开语料中获得，可以说是垂直公司构建壁垒的绝佳机会。
诚如Harvey官方的表态：下一步要把算力从1000卡扩到10000 ，做全参数微调，还要尝试更多开放底座......目标是让每家律所都能拥有自己的专有模型。韩国 Digital Today、Global Economic、日本Livedoor等媒体已将Harvey案例写入“垂直AI公司摆脱前沿模型API依赖”的产业趋势。
做一个预判的话，AI应用公司不再只是基础模型能力的经销商，新的商业飞轮已经形成：客户越多，任务环境越丰富；专家反馈越多，评价体系越精确；模型能力越强，产品与通用大模型之间的差异也就越大。
当越来越多的AI应用公司转向开源模型，将彻底打破“只有闭源顶级大模型才能支撑商业应用”的固有认知，将开源模型从“低成本平替”，推向“产业数字基础设施”的核心地位，让“强开源底座 + 深度垂直后训练”成为千行百业数智化转型的新范式。
写在最后
Harvey基于
大模型竞赛的下半场，聚光灯正在发生偏移。只能套壳的AI应用或将成为上一个时代的产品，千千万万个“Harvey”组成的去中心化、专业化的垂直行业模型，将以前所未有的速度拔地而起。
与此同时，中国的开源模型陆续占领全球AI应用公司的底座，将成为闭源巨头无法撼动的事实。
本文来自微信公众号“Alter聊科技”，作者：张贺飞，36氪经授权发布。
