Harvey 相关 AI 资讯 · AI 热点

8月22日

01:59

01:59

AI Will@FinanceYF5

Harvey提出‘Moneyball’策略，利用领域专家建立法律评测集，与新型实验室合作，通过模型路由和SLA为60国提供服务，强调关键环节预算投入而非规模扩张。

论文 Harvey AI研究预算 Moneyball策略

推荐理由：Harvey的策略值得学习，用有限的预算做出世界级AI研究，不局限于大模型实验室的规模。

01:58

01:58

AI Will@FinanceYF5

精选

Harvey在Sovereign AI活动上分享了开源数据集和建设低成本研究实验室的经验，包括法律代理、合成数据生成、模型服务矩阵等内容。

论文 Harvey 开源数据集研究实验室

推荐理由：Harvey分享开源数据集，低成本建设研究实验室的经验值得学习。

8月21日

01:06

01:06

elvis@omarsar0

Harvey发布了其首个法律专用模型Tenet。该模型基于Kimi K3，在法律数据集上进行了微调。Tenet在LAB Contracts基准上达到SOTA性能，在LAB基准上排名第二。其所有通过率比Kimi K3基座模型提升了82%。该模型还针对代币效率进行了优化，成本仅为领先基础模型的四分之一。

AI模型 Harvey Tenet Kimi K3

推荐理由：Harvey发布了法律专用模型Tenet，在法律任务上表现优异，成本还很低，展示了AI原生公司如何构建自己的智能栈。

00:44

00:44

Fireworks AI@FireworksAI_HQ

Harvey公司发布了其首个AI模型Tenet。该模型是法律AI领域的一个里程碑。Harvey与Fireworks AI共同开发了Tenet模型。该模型为律所构建专用智能奠定了基础。

AI模型 Harvey Tenet 法律AI

推荐理由：Harvey刚发布了他们的第一个模型Tenet，这是法律AI领域的一个里程碑，和Fireworks AI一起做的，能让律所构建自己的专用智能。

8月19日

13:26

13:26

官方账号阿里通义 Qwen@Alibaba_Qwen

Qwen3.8-27B在Harvey的Legal Agent基准测试中获得11.3分，与Fable 5并列第一。该模型在性能上超越Kimi K3、Qwen 3.8 Max和DeepSeek V4等模型。作为开源模型，Qwen3.8-27B能够处理专业法律任务，同时体积小到可在本地机器运行。

AI模型 Qwen3.8-27B Harvey Fable 5

推荐理由：阿里Qwen的Qwen3.8-27B在法律基准上并列第一，还能本地运行，比其他大模型更实用。

8月14日

01:12

01:12

a16z@a16z

a16z 的 Joe Schmidt、Andy McCall 和 Elena Burger 在播客中对比企业 AI 销售的灯塔策略与圈地策略。Harvey 和 Applied Intuition 靠灯塔客户建立标杆，Stuut、Decagon、Pylon 则直接抢现有预算。Andy McCall 回忆任 Samsara CRO 时把收入从数百万美元做到超过 10 亿美元 ARR，并建议用 1% 的时间定战略、99% 的时间执行。

技巧 a16z Harvey Samsara

推荐理由：a16z 合伙人聊企业 AI 怎么卖：先啃标杆客户还是抢现成预算？有 Samsara 从几百万做到 10 亿 ARR 的实战经验，做销售的可以听。

8月13日

18:06

18:06

官方账号NVIDIA AI@NVIDIAAI

精选71°

Harvey联合Trajectory Labs对NVIDIA的Nemotron 3.5 Lightning进行后训练，在Legal Agent Bench上得分从0%升至8.3%。该成绩超过了Opus 4.6和更大的后训练版Nemotron 3 Ultra。后训练覆盖九个执业领域，未出现能力退化。平均输出长度从90k tokens降至37k tokens，每token奖励提升2.4倍。

AI模型 Nemotron 3.5 Lightning NVIDIA Harvey

推荐理由：Harvey把Nemotron 3.5 Lightning后训练了一把，法律Agent评测从0冲到8.3%，比Opus 4.6还强，输出也从90k缩到37k，省Token。

8月8日

05:25

05:25

Latent.Space@latentspacepod

精选

Harvey与EngramLab开源了一个包含1亿+token的合成律所数据集，覆盖46个客户、250多个虚拟事项，约1万份文件。该环境用于评测智能体能否像资深律师一样检索和理解事务所过往工作。联合创始人Dan Biderman指出，像“今年哪些并购交易未完成”这类问题无法靠RAG搜索，因为不存在“未完成”的记录，必须逐案阅读文件。数据集是Harvey迈向深度理解律所工作流的第一步。

AI模型 Harvey EngramLab 合成数据

推荐理由：Harvey开源了个合成律所数据集，专测AI Agent处理法律检索的硬问题，比单纯RAG更狠。

7月11日

13:32

13:32IT之家（博客/媒体）

芝加哥大学法学院对课程进行重新设计，要求今年秋季一年级新生上课时合上笔记本。院长Adam Chilton表示要确保学生学会独立思考，而不是一刀切禁止AI。新政策包括一年级无电脑课堂、线下监考考试禁止接触外部材料、以及重要论文口头答辩。法学院还将AI工具Harvey和Legora纳入法律写作课程，并增加AI方向课程。

行业芝加哥大学法学院 Harvey

推荐理由：法学院教你先独立思考再用AI，一年级不能带电脑，考试要口头答辩。挺硬核的教育改革，值得看看。

7月9日

02:03

02:03

Harrison Chase@hwchase17

Harvey正在组建模型训练团队，计划从应用层扩展至模型层，并招聘各层级AI研究员，尤其关注有后训练开源或前沿模型经验者。该团队专注于大规模模型训练、合成数据生成、长 horizon 强化学习及真实部署评估。Harvey已通过后训练开源模型在代理任务中达到前沿性能，并计划在法务领域及更多垂直行业扩展。研究人员将获得数千块GPU和客户关系产生的独特训练数据。

行业 Harvey 模型训练后训练

推荐理由：Harvey在招人组建自己的模型训练团队，要把法律AI做到模型层，已有数千GPU和独特后训练数据，能提升开源模型到前沿水平，适合想做大型模型训练的AI研究员。

6月25日

14:45

14:45

Fireworks AI@FireworksAI_HQ

精选

Fireworks AI 与 Harvey 合作研究发现，将前沿闭源模型（如 Opus 4.8）作为顾问代理，与微调的开源工作代理结合，在三个基准测试中均取得更优结果。相比全部使用 Opus 4.8，该混合方案成本降低40-67%。该方法简单部署即可提升效果，为模型调用提供新思路。

AI模型 Fireworks AI Harvey Opus 4.8

推荐理由：Fireworks AI 的实验证明，把闭源大模型当参谋、开源模型当打手，效果更好还省40%-67%的钱，值得关注。

6月5日

23:46

23:46

官方账号LangChain@LangChainAI

LangChain Labs 与法律 AI 公司 Harvey 合作发布了一项联合研究，探讨如何设计更高效的 AI 工作流。研究聚焦于 LangChain 框架在法律场景中的应用，包括文档分析、合同审查等任务。该研究提供了实际案例和最佳实践，帮助开发者利用 LangChain 构建专业级 AI 应用。对于关注 AI 与法律结合、或使用 LangChain 的团队，这份研究值得参考。

AI产品 LangChain Harvey 法律AI

推荐理由：LangChain 与 Harvey 的联合研究展示了 AI 在法律领域的落地路径，做法律 AI 或企业级应用的开发者可以直接参考其中的工作流设计。

00:04

00:04

官方账号LangChain@LangChainAI

LangChain Labs 与 Harvey 合作，针对验证器设计的效率进行了系统研究。他们以 Sonnet 的逐标准验证为基准，对比了 5 种不同验证器设置。该研究旨在量化不同验证器设计在任务中的效率差异，为开发者选择验证策略提供数据支持。结果有助于优化 AI 工作流中的验证环节，提升整体系统性能。

论文 LangChain 验证器效率基准

推荐理由：做 AI 工作流和验证器设计的开发者，这份基准对比能帮你直接选型，省去自己试错的时间，建议点开看具体数据。

6月4日

08:20

08:20

Cognition@cognition_labs

精选

Harvey 工程团队将其内部背景代理 Spectre 集成到 Devin Desktop 中。现在，Spectre 的组织上下文可以存在于每位工程师的笔记本电脑上，并在他们喜爱的代理之间流动。这一集成使得团队能够更高效地共享和利用组织知识，提升了协作和开发效率。对于使用 Devin 的开发者来说，这是一个重要的功能增强。

AI产品 Devin Spectre 智能体

推荐理由：Harvey 团队通过集成 Spectre 解决了组织上下文在代理间流动的痛点，使用 Devin 的开发者可以直接受益，建议关注这一实践。

03:21

03:21

官方账号Clement Delangue@ClementDelangue

Hugging Face CEO Clement Delangue 指出，通过路由（routing）和后训练（post-training）开源模型，不仅能提升系统准确性，还能显著降低成本和提高速度。法律 AI 公司 Harvey 与 Fireworks AI 合作，在 100 个法律任务上测试发现：混合智能体（GLM 5.1 为主，路由到 Opus 4.7 作为顾问）在质量和成本上均优于单一前沿模型，18% 全通过率 vs 14%，成本 $368 vs $954。后训练（SFT）将 Kimi 2.6 的全通过率从 11% 提升至 15%，超过 Opus 的 14%，成本仅 $84，是 Opus 的 1/11。这挑战了“前沿模型在所有场景都更好”的营销叙事，为开发者提供了更务实、经济的 AI 系统构建思路。

AI产品路由/混合智能体开源/仓库法律 AI

推荐理由：法律 AI 团队终于有了可落地的降本增效方案——路由+微调开源模型比纯用前沿模型便宜 11 倍还更准，做垂直领域 AI 应用的开发者可以直接参考 Harvey 的实践。

6月3日

22:07

22:07

官方账号LangChain@LangChainAI

Harvey 推出 LAB 基准，模拟人类验证方式，每个任务包含 50 多条通过标准，每条标准由独立法官调用评估。LangChain Labs 与 Harvey 合作，探索如何在大规模场景下提升效率。该基准可审计性强，但成本较高，合作旨在优化这一过程。

AI产品法律 AI 智能体基准测试

推荐理由：法律 AI 团队终于有了可审计的验证基准——每个任务 50+ 标准像人类一样逐条检查，做法律智能体开发的可以直接参考。

21:15

21:15

官方账号LangChain@LangChainAI

精选

LangChain 与法律 AI 公司 Harvey 联合发布了一项研究，聚焦于为法律智能体（legal agents）设计和测量高效验证器（verifiers）。该研究评估了不同验证方法的性能，旨在提升法律领域 AI 系统的可靠性和准确性，为法律 AI 应用提供新的评估框架。

论文 LangChain Harvey 法律AI

推荐理由：LangChain和Harvey最新的法律AI验证器研究