OpenAI投的110亿独角兽换血，Harvey自研模型底座没用GPT选了谁？

➡️ 2026年8月20日，估值110亿美元的OpenAI投资法律AI公司Harvey发布首个后训练模型Tenet，底座为中国月之暗面的开源模型Kimi K3。仅用150块GPU、两个月，便以极低成本达到业界领先性能。Cursor等全球顶级编程工具也已集成K3。中国开源模型正以“底座”身份批量进入美国AI产品供应链。

文｜捉驿 • 栏目｜数字视线

2022年，27岁的前诉讼律师Winston Weinberg和前Google DeepMind研究员Gabe Pereyra，给Sam Altman发了一封邮件。

Altman回了。

他们坐上了与Altman及OpenAI高管团队的电话会。

OpenAI创业基金领投了他们的种子轮。

四年后，这家叫Harvey的公司估值110亿美元（本轮融资谈判阶段估值，尚未完成交割），是全球估值最高的法律AI公司，服务1300家机构、超过10万名律师，客户包括Latham & Watkins、汇丰、普华永道、桥水、KKR。

OpenAI亲手投出来的“亲儿子”，第一次自己训练模型，底座没用GPT，没用Claude，用的是中国月之暗面的开源模型Kimi K3。

用Harvey联合创始人Pereyra的话说，模型厂已经不只是“供应商”，而是“未来的竞争对手”。

一个律师加一个研究员，一封邮件，四年干到110亿。然后，另起炉灶了。

一封邮件起家四年百亿身，中国K3底座转向自研路。

下次有人再问“中国AI现在什么水平”，你可以直接告诉他：OpenAI投的110亿独角兽，第一个自研模型用的是中国底座。

◆ OpenAI“亲儿子”另起炉灶了

Harvey此前的打法很标准：拿OpenAI、Anthropic、Google的闭源模型做路由，客户不同的需求分发给不同的模型。

每调用一次，付一笔钱。

本来这也正常，做应用层嘛，底层能力花钱买就是了。

但问题是，卖你东西的人开始惦记你的生意了。

OpenAI挖走了合同管理公司Ironclad的创始人Jason Boehmig，让他去领导OpenAI自己的法律业务。

Anthropic推出了面向律师的文档审查插件。

用Harvey联合创始人Pereyra的话说，这不是“供应商”，这是“未来的竞争对手”。

更致命的是成本。

Harvey每月要处理13万亿token（行业媒体转述Harvey业务规模，并非Harvey官方公开披露数字），每一个token都是从别人手里买的。

供应商说涨价就涨价，说限流就限流，毫无还手之力。

闭源模型调用成本不受控，毛利和交付能力全攥在别人手里。

于是Harvey做了一个决定：自己训一个模型。

■打个比方：Harvey过去就像一个餐馆老板，食材全部从隔壁超市买，每天进货、每天付钱。突然有一天，超市老板也开了一家餐馆，就开在对面。食材价格说涨就涨。Harvey决定：自己建一个厨房。■

◆ 150块卡，两个月，炼出Tenet

Harvey拿来做底座的，是中国月之暗面的开源模型Kimi K3。

2.8万亿参数MoE架构，100万token上下文，原生多模态，目前全球最大的开放权重模型。

7月27日，月之暗面正式开源Kimi K3，上线仅30分钟就冲上Hugging Face趋势榜榜首。

训练过程展示了一种全新的“造模型”方式。

Harvey联合Fireworks AI，只用了约150块英伟达B300 GPU，跑了两个月。

从头开始预训练一个前沿模型动辄要几万张卡、烧几个月、花数亿美元。

150块卡两个月，相当于在别人盖好的摩天大楼上做精装修，直接入住。

方法是异步强化学习。

Harvey不是教模型更多法律知识，而是教它怎么像一个资深律师一样完成工作。

怎么教？找真律师来当教练。

Harvey请了一帮执业律师，让他们编案子、凑合同文件，让模型上手干。

干完了，律师一条一条地审：关键风险漏没漏？判例引对没有？结论逻辑站不站得住？列出几十条硬杠杠，每条只有“过”和“没过”，全过才算完成。

结果Tenet在Harvey自有法律基准LAB上表现优异，完成的任务量接近底座K3模型的两倍；在LAB Contracts测试中达到业界最优水平（SOTA），全通过率提升9个百分点。

推理成本不到闭源前沿模型的四分之一。

更关键的是，这些能力在没有专门训练的情况下，泛化到了Mercor的APEX Agents（企业法律）和Crosby的Redline Bench等外部基准上，均大幅超越K3底座。

花四分之一的钱，干出更强的活。这笔账，谁都能算清。

◆ 不只是Harvey：中国开源模型批量进入美国供应链

Harvey不是孤例。中国开源模型正在以“底座”身份批量进入美国AI产品的供应链。

Cursor的自研模型Composer 2，基于Kimi K2.5开源基座模型，通过持续预训练和强化学习微调后开发而成。

Cursor开发者教育负责人Lee Robinson透露，他们评估了大量基座模型，K2.5在基准测试中较强。

K3发布后Cursor迅速完成集成。

数字员工公司Devin也在Kimi K2.7开源底座上通过强化学习训练出自研模型，如今K3自然在其考虑范围内。

据AI模型基准评测平台Arena在8月19日公布的全带代码能力榜单显示，Kimi K3以1660分位列第二，仅次于1699分的Claude Opus 5，差距只有约1%（来自第三方评测平台输出结果）。

在专门面向真实开发场景的Frontend Code Arena中，K3以1679分拿下第一；在SWE Marathon长程智能体任务中以42.0分排名第一；在Program Bench中以77.8分排名第一；在Terminal Bench中以88.3分位列第二，仅差0.5分。

据Artificial Analysis测算，K3完成一组基准任务的加权平均成本约为0.84美元，Claude Fable 5约为3.14美元（来自第三方评测平台输出结果）。

K3的单任务成本约为后者的四分之一。

美国市场对中国开源模型的依赖正在加深。

据ATOM报告，2024年1月，Qwen在新开源模型微调与适配中占比仅1%，到2026年2月已飙升至69%。

存在先于本质。萨特这句话放在AI产业同样适用，一个模型的价值，不取决于它来自哪个国家，而取决于它能不能被用起来、能不能解决问题。

当OpenAI亲手投出来的110亿独角兽选择中国底座，当Cursor把K3集成到数以千万计开发者的日常工具里，“中国AI行不行”这个问题已经有了答案。

行文至此，兴起，赋诗一首：四年磨剑百亿身，一封邮件定乾坤。OpenAI养子换血，中国K3作基根。

中国AI的下一站：从“追赶者”到“底座”

一封邮件起家，四年干到110亿。

OpenAI亲手投出来的“亲儿子”，第一个自研模型用的不是GPT，是中国底座。

Cursor在用它，中国开源模型正在成为全球AI产业链的“水电煤”。

这不是追赶，这是嵌入。

一封邮件起家四年百亿身，OpenAI养子新布局。
150块卡两个月炼成，中国底座打进美国供应链。

OpenAI投的110亿独角兽，第一个自研模型选了中国的Kimi K3。你觉得这是偶然还是趋势？中国开源模型真的能成为全球AI的底座吗？来聊聊。

#Harvey# #KimiK3# #中国开源模型# #OpenAI# #法律ai# #Tenet# #月之暗面# #AI底座#

【免责声明】 ：本文部分配图源自公开渠道或CC0协议素材，仅作行业交流与产业参考使用。如涉侵权，请联系后台处理。本文仅做行业科普与实操分享，不构成任何投资、消费决策建议。文中数据及案例均来自公开信源，仅供参考，具体以实际为准。

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～