Harvey presentó Harvey Tenet como una vista previa de investigación construida sobre Kimi K3, el modelo de pesos abiertos de Moonshot AI, y ajustada junto a Fireworks AI para trabajo jurídico de larga duración.
La empresa de EEUU dice que este es su primer modelo propio posentrenado sobre una base abierta y que busca mejorar tanto el rendimiento como el costo de uso en tareas legales complejas.
Harvey explicó que partió desde la base abierta del modelo y añadió cambios de entrenamiento y de ejecución para que el sistema complete encargos extensos, con documentos, archivos de caso y entregables finales dentro de un entorno de trabajo simulado.
Según Harvey, el post entrenamiento se hizo con datos sintéticos, material jurídico público y datos de expertos humanos. La compañía añadió que no utilizó datos de clientes en este proceso, un punto sensible para despachos y equipos corporativos que revisan contratos, litigios o tareas regulatorias con sistemas de IA.
Kimi K3 ya había llamado la atención por sus cifras de base. El informe técnico del Kimi Team en arXiv lo describe como un modelo de mezcla de expertos con 2,8 billones de parámetros totales, 104.000 millones activos por token, visión nativa y una ventana de contexto de un millón de tokens.
Harvey Tenet se apoya en Kimi K3 para tareas jurídicas largas
Harvey dijo que Harvey Tenet fue post entrenado mediante aprendizaje por refuerzo asíncrono en entornos que imitan encargos legales reales. En cada tarea, el agente recibe una instrucción similar a la de un socio, un conjunto de documentos del caso y una rúbrica de evaluación con los puntos que debe cubrir el resultado final.
La empresa detalló que el entrenamiento incluyó cerca de 1.750 entornos de tareas jurídicas agénticas y más de 10.000 ejecuciones individuales por época de entrenamiento.
También señaló que el modelo fue ajustado con una adaptación LoRA sobre toda la red Kimi K3 y que el trabajo se ejecutó durante dos meses sobre alrededor de 150 GPU NVIDIA B300.
Además del modelo base, Harvey incorporó mejoras en el sistema de ejecución. Su entrada técnica explica que parte de la ganancia viene de optimizar cómo el agente emplea herramientas, busca información y entrega resultados, con incentivos para reducir tokens cuando dos trayectorias logran una calidad similar. La compañía plantea esto como una forma de mantener el costo estable mientras aumenta la tasa de éxito.
Pruebas internas, datos usados y límites de la vista previa
Los resultados más citados por Harvey provienen de LAB, su benchmark abierto para tareas legales de largo recorrido. La empresa afirmó que Harvey Tenet completó casi el doble de tareas reservadas de LAB que la base Kimi K3 y un 20% más en LAB Contracts. También reportó un alza de 9 puntos porcentuales en la tasa total de aprobación de LAB y de 2 puntos en LAB Contracts.
Harvey añadió que LAB reúne más de 1.200 tareas en 24 áreas de práctica y que LAB Contracts contiene 500 tareas. Para esta segunda prueba, la evaluación se hizo sobre un conjunto oficial reservado de 50 tareas. La compañía también mencionó mejoras en otros benchmarks legales y de servicios profesionales, aunque varias de esas comparaciones se ejecutaron con su propio entorno interno.
Ese punto limita el alcance de las conclusiones. Las cifras principales fueron publicadas por Harvey, no por un evaluador independiente, y la propia empresa reconoce diferencias entre su metodología y la de otros socios externos.
Por ahora, Harvey Tenet sigue siendo una vista previa de investigación sin fecha confirmada de disponibilidad general, aunque Harvey afirmó que incorporará estas capacidades a su producto con el tiempo.
Fuentes
Harvey: Update on Harvey’s Post-Training Effort
Kimi Team en arXiv: Kimi K3: Open Frontier Intelligence
South China Morning Post: OpenAI-backed legal tech firm pivots to Chinese Kimi K3 open-weight model
