OpenAI 亲手扶植的头号法律独角兽，把最核心的推理底座换成了中国开源模型

OpenAI 亲手扶植的头号法律独角兽，把最核心的推理底座换成了中国开源模型。

这家公司叫 Harvey，背后站着红杉、a16z 和 OpenAI 创业基金。 过去两年，它一直是闭源大模型在专业应用层的标杆代表。 如今它推出的新一代核心模型 Harvey Tenet，底座直接换成了月之暗面的开源模型 Kimi K3。 在复杂的法律智能体评测中，这套定制系统的任务完成率，几乎是原版底座的两倍，甚至超过了 GPT-5.6 Sol 和 Anthropic 的 Fable 5。

同一周，掌握百年法律数据库 Westlaw 的汤森路透（Thomson Reuters），也做出了同样的选择。 它耗资 4000 万美元，基于阿里的开源模型 Qwen 深度定制出专有模型 Thomson-1。 原本跑在 Anthropic Claude 上的高难度法律文档审查，被全线迁走。

为什么最不差钱、最懂合规的顶尖法律巨头，开始集体跳出闭源模型的引力场？ 表面上看，是开源模型更便宜，是每百万输入 token 只要 0.15 美元的极致性价比。 但对掌控数十亿美元资产的巨头而言，几美分的接口差价根本算不上战略决策。 真正驱使他们撤离的，是一台支配了工业界半个世纪的商业机器。

克里斯坦森「利润守恒定律」。

2003 年，哈佛商学院教授克里斯坦森在《创新者的解决方案》里提出了这条铁律： 当一个产品体系中的某一核心模块走向标准化和大宗商品化，商业世界的超额利润，必然向相邻尚未被满足的专有环节转移。 软件思想家 Joel Spolsky 把它概括成更直白的一句话： 让你的互补品变成廉价大宗商品。

过去两年，大模型行业流行一种假设： 底层基础模型会演变成通吃一切的黑盒超级大脑，所有垂直应用最终都只是薄薄的接口分发层。 现实很快撞上了两堵无法逾越的高墙。

第一堵墙，是通用能力的过度配置。 闭源巨头为了在通用榜单上刷出最高分，把天量算力和参数花在写诗、聊天和通识百科上。 但严谨的法律推理不需要大模型会写十四行诗。 它需要 100% 准确的管辖权判例溯源、毫无妥协的交叉引用，以及连续运行数十小时的长程逻辑链。 企业花着最昂贵的通用接口租金，买来的却是 90% 自己根本用不上的冗余能力。

第二堵墙，是数据主权与护城河的防御。 如果 Harvey 和汤森路透始终把所有法律提示词发往闭源云端，它们手里的核心资产就永远只是替别人喂养数据的饲料。 闭源平台一旦掌握了这批最精密的业务交互，随时可以推出原生功能，把上层应用连根拔起。 守住自身生意的唯一办法，是把推理权重完全搬进自己的保险箱。

当开源模型的推理与编程能力，跨过了商业可用的临界点，天平瞬间倾斜。 月之暗面的 Kimi K3 和阿里的 Qwen，向全球开发者免费交出了顶级的通用认知底座。 基础智能的权重，一夜之间沦为随处可得的廉价基础设施。

真正的价值跃迁，落在了后训练阶段。 Harvey 用两个月时间，在专有算力集群上，把数十年积累的私域法律案例、合成数据和判例基准，通过强化学习灌进开源底座。 汤森路透把 Westlaw 和 Practical Law 的专属知识库，与开源底座紧密咬合。 通用底座负责提供基础逻辑框架，专有后训练负责注入行业顶级专家的神经回路。

最终的结果耐人寻味。 经过深度垂直特化的开源衍生系统，在具体专业场景里的表现，反而击败了不可触碰的闭源巨无霸。 企业彻底摆脱了被单一供应商锁定与断供的隐患，同时把单次推理成本压缩到了原来的几分之一。

这揭示了 AI 商业版图最深层的重构。 过去行业的竞争重心，是谁能烧出参数最庞大的通用底座。 现在超额利润的落点，转移到了谁手里握有不可替代的专有数据与业务流，以及谁能用最高效的后训练把开源权重训成专属于自己的私有武器。

当底层的通用智能开始像自来水一样免费流淌，水龙头本身就不再具有定价权。 决定胜负的，变成了你用这些水，究竟浇灌出了什么别人没有的果实。