Harvey Tenet: บริษัทกฎหมาย AI เอา Kimi K3 มาเทรนต่อเอง แทนที่จะเช่าโมเดลแนวหน้า — 150 ใบ B300 นาน 2 เดือน แลกกับงานยาวที่ทำจบเพิ่มเกือบเท่าตัว

คำถามที่ทีมผลิตภัณฑ์ AI ทุกทีมต้องตอบสักวันคือ “เราจะเช่าสมองจากแล็บแนวหน้าไปตลอด หรือจะสร้างของตัวเอง” — และเมื่อ 20 ส.ค. 2026 Harvey บริษัท legal AI ที่มี OpenAI ร่วมลงทุน ตอบคำถามนั้นด้วยการปล่อยรายงานวิจัยที่บอกว่าพวกเขาเลือกทางที่สอง: โมเดลชื่อ Harvey Tenet ซึ่งเป็น Kimi K3 base ที่ post-train เอง ร่วมกับทีมวิจัยของ Fireworks

(หมายเหตุความสัตย์จริงก่อนอ่านต่อ: นี่เป็นข่าวที่เราตามเก็บย้อนหลัง ประกาศจริงคือ 20 ส.ค. ไม่ใช่วันนี้ แต่รายงานฉบับนี้เปิดรายละเอียดทางเทคนิคละเอียดผิดปกติสำหรับงานเชิงพาณิชย์ และเป็นชิ้นที่นักพัฒนาสายเอเจนต์ควรอ่าน)

ตัวเลขพาดหัวคือ Tenet ทำงานทดสอบชุด hold-out บน Legal Agent Benchmark (LAB) สำเร็จได้เกือบสองเท่าของ Kimi K3 ตัวเปล่า และมากกว่า 20% บน LAB: Contracts คิดเป็น all-pass rate ที่เพิ่มขึ้น 9 และ 2 จุดเปอร์เซ็นต์ ตามลำดับ ผลคือ Harvey เคลมว่าได้ อันดับ 1 บน LAB: Contracts และอันดับ 2 บน LAB สิ่งที่ต้องพูดให้ชัด: ยังไม่มีน้ำหนักโมเดล ไม่มี model card และไม่มี API endpoint — รายงานนี้เป็น research preview ที่จะทยอยเข้าผลิตภัณฑ์ Harvey ต่อไป คำว่า “open-weight” ในเรื่องนี้หมายถึง ฐาน ที่ใช้ ไม่ใช่ตัว Tenet เอง

สูตรที่เปิดหมด: GSPO + LoRA rank-64 พาดทั้งเครือข่าย K3

ส่วนที่มีค่าที่สุดของรายงานคือภาคผนวก เพราะ Harvey เขียนสูตรออกมาแบบที่ทีมอื่นทำตามได้จริง

สภาพแวดล้อมฝึก ไม่ใช่ชุดคำถาม-คำตอบ แต่เป็น “งานจริง” ที่ประกอบด้วยสามส่วน: คำสั่งงานที่เขียนเหมือนพาร์ทเนอร์สั่งงานลูกทีม (ยาวเฉลี่ยราว 50 คำ ตั้งใจให้คลุมเครือ ไม่ใช่สเปกละเอียด), แฟ้มคดีของลูกความที่มีทั้งเอกสารสำคัญและเอกสารรอบข้างปนกัน และ rubric จากผู้เชี่ยวชาญที่แตกการตรวจงานระดับพาร์ทเนอร์ออกเป็นเกณฑ์ผ่าน/ไม่ผ่านแบบอะตอม — ข้อเท็จจริง ข้อสรุป การอ้างอิง ระดับความเสี่ยง ข้อเสนอแนะ รูปแบบ — เฉลี่ยงานละ 50 เกณฑ์ งานที่ใหญ่ที่สุดมีหลายร้อยเกณฑ์ ผลคือ rollout เดียวกินได้ถึง มากกว่า 1,000 เทิร์น และหลายแสนโทเคน

การให้รางวัล ใช้ LLM-as-a-judge ตาม rubric โดยรางวัลเป็นผลรวมถ่วงน้ำหนักของสัดส่วนเกณฑ์ที่ผ่าน บวกเทอมภาพรวมที่นับจำนวนประเด็นกฎหมายที่แก้ได้ บวกโบนัสถ้าผ่านครบทุกเกณฑ์ จุดที่น่าสนใจสำหรับคนทำ eval: Harvey ทำ ablation เทียบโมเดลผู้ตัดสินหลายตัวกับโมเดลแนวหน้าที่หนักกว่า แล้ว เลือก Kimi 2.6 เป็นผู้ตัดสิน เพราะได้สมดุลคุณภาพต่อต้นทุนดีที่สุด

อัลกอริทึม คือ GSPO (group-sequence policy optimization) — สุ่ม rollout เป็นกลุ่มต่อหนึ่งงาน ให้คะแนนด้วย rubric แล้วคำนวณ advantage ภายในกลุ่มโดยนอร์มัลไลซ์ด้วยความแปรปรวนของกลุ่ม กลุ่มที่คะแนนเกือบเสมอกันจะถูกส่งไปตัดสินใหม่เพื่อลด noise ที่จะไหลเข้า gradient และมีเทอมความยาวเล็ก ๆ ภายในกลุ่มที่เอนเอียงไปทางงานที่กระชับกว่า พร้อม double-sided clipping และ mask โทเคนที่ importance ratio สูงเพื่อกัน RL collapse

สเกล — และนี่คือตัวเลขที่ทำให้เห็นว่า “post-train เอง” แปลว่าอะไร: GSPO ทำงานผ่าน LoRA rank-64 ที่พาดทั้งเครือข่าย Kimi K3 ปรับทั้ง attention, MLP และน้ำหนัก routed-expert รวม ~500,000 expert tensor ใช้ AdamW โดยแต่ละ optimizer step กิน 8 กลุ่มงาน กลุ่มละ 8 rollout ชุดข้อมูลคือ ~1,750 สภาพแวดล้อมงานกฎหมายเชิงเอเจนต์ หนึ่ง epoch = 150 optimizer step และมากกว่า 10,000 rollout ทั้งหมดนี้รันบน NVIDIA B300 ประมาณ 150 ใบ นานสองเดือน

ฝั่งวิศวกรรมมีรายละเอียดที่คนทำ RL infra จะชอบ: rollout กับ trainer วิ่งเป็นลูปอะซิงโครนัส มี orchestrator คอยเลี้ยงกอง rollout ให้ลอยอยู่ตลอดขณะที่ trainer กินกลุ่มที่เสร็จแล้ว โดยมีเพดาน staleness คุมความ off-policy ไว้ และหลังทุก optimizer step น้ำหนักใหม่จะถูก hot-load เข้า deployment ทันทีโดยไม่รีสตาร์ท — generation แทบไม่หยุดเลย ปัญหาที่ Fireworks เข้ามาแก้ในระดับเคอร์เนลคือความสอดคล้องเชิงตัวเลขระหว่างฝั่งเทรนกับฝั่งอินเฟอเรนซ์ ซึ่งเป็นโจทย์เดียวกับที่งาน IsoExec ของ SkyRLพยายามแก้เมื่อสัปดาห์ก่อน

Harvey ย้ำชัดว่า ไม่ได้ใช้ข้อมูลลูกค้าเลย ในการ post-train ทั้งหมด — คลังข้อมูลมาจากข้อมูลกฎหมายสาธารณะ ข้อมูลสังเคราะห์ และข้อมูลจากผู้เชี่ยวชาญที่สร้างร่วมกับ Mercor

เรื่องที่น่าสนใจกว่าตัวโมเดลหลัก: โมเดลผู้ช่วยสามตัวบนฐานจีนคนละตัว

ส่วนที่ผมคิดว่ามีค่าต่อคนทำเอเจนต์มากกว่าคะแนน LAB คือ Harvey ยังเทรนโมเดลเฉพาะทางแยกอีกสามตัว ที่ Tenet เรียกใช้เป็นทูลหรือ sub-agent ได้ — และแต่ละตัวเลือกฐานคนละตัวตามงาน

M&A Diligence — งานเดียวบน LAB: Diligence ต้องไล่บริบทเอกสารได้ถึง 80 ล้านโทเคน เพื่อหาความเสี่ยงแล้วเขียนบันทึก ไม่มีเบสไลน์ไหน ทั้งโมเดลแนวหน้าและ coding agent สำเร็จรูป ผ่านเกณฑ์เกิน 43.8% Harvey ร่วมกับ Baseten ขยาย harness ให้รองรับ Recursive Language Models (RLM) ที่ให้เอเจนต์รากถือ dataroom ไว้ใน REPL ค้นและสไลซ์แบบเขียนโปรแกรมได้ แล้วโยนงานย่อยให้ sub-agent ที่มี context window ของตัวเอง แค่เปลี่ยนมาใช้ harness แบบ RLM โดยมี GLM-5.2 เป็น orchestrator ก็ดันเป็น 46.1% และเมื่อ post-train GLM-5.2 ภายใน harness นั้นด้วย self-distillation บนเทรซที่ครอบคลุมสูง ได้ 60.1% — โดยกำไรส่วนใหญ่มาจากการแก้นิสัยของโมเดลฐานที่ ชอบ delegate น้อยเกินไป

Review Table — งานสกัดข้อมูลมีโครงสร้างจากเอกสารทีละไม่เกิน 10,000 ฉบับ ที่ทุกคำตอบต้องมีการอ้างอิงถูกต้อง Harvey ร่วมกับ Applied Compute post-train GLM-5.2 ด้วย reward shaping ที่บังคับให้ตอบกระชับ ฟอร์แมตถูก และอ้างอิงแม่น ผลคือเทียบกับเบสไลน์ที่แข็งที่สุด ได้คุณภาพคำตอบ +3.6 จุด คุณภาพการอ้างอิง +12.1 จุด ที่ต้นทุนราว หนึ่งในสิบต่อเซลล์ พฤติกรรมที่โมเดลเรียนได้เองระหว่าง RL คือ การงดตอบเมื่อคำถามไม่เกี่ยวกับเอกสารนั้น และอ้างหลักฐานเจาะจงแทนการถมการอ้างอิงให้ดูเยอะ

Firm Knowledge — งานค้นบรรทัดฐานภายในสำนักงาน ต้องให้เหตุผลบนคลังคดีสังเคราะห์ราว 100 ล้านโทเคน โมเดลที่ไม่รู้จักสำนักงานจะตกไปที่พฤติกรรมค้นซ้ำแบบครอบจักรวาล อ่านพื้นที่ทำงานเดิมใหม่ทุกครั้งที่ถูกถาม Harvey จึงร่วมกับ Engram เทรน Qwen3.8-27B ให้เข้ารหัสความรู้ของสำนักงานลงใน parametric memory และบันทึกข้อความมีโครงสร้าง โดยระหว่างเทรนเอเจนต์จะสำรวจคลังความรู้ ควบรวมเป็นความรู้มีโครงสร้าง 1 ล้านโทเคน แล้วกลืนคลังนั้นเข้าไปในน้ำหนักผ่าน distillation และ RL บนข้อมูลที่ตัวเองสร้าง ผลลัพธ์: เกณฑ์ผ่านเพิ่มกว่า 15% อัตราทำงานจบเพิ่มเกือบ 10% โทเคนรวมในเทรซที่ทำสำเร็จ ลดลง 58% และต้นทุนต่อคำถาม ลดลง 90% — วัดเป็น “ปัญญาต่อโทเคน” (เกณฑ์ที่ผ่านต่อ 100k โทเคนอินเฟอเรนซ์) ได้ 190.8 เทียบกับ 129.3 ของค่าคอนฟิกโมเดลแนวหน้าที่ดีที่สุด และ 37.2 ของโมเดลขนาดเท่ากันที่ไม่ได้เทรน

สังเกตว่าทั้งกอง — Kimi K3, GLM-5.2, Qwen3.8-27B — เป็นโมเดลเปิดจากจีนทั้งหมด และพาร์ทเนอร์ที่ Harvey ขอบคุณคือ Fireworks, Engram, Baseten, Applied Compute, NVIDIA, Mercor และ Snorkel AI ซึ่งแทบจะเป็นแผนที่ของ “ห่วงโซ่อุปทาน post-training” ที่โตขึ้นมารอบปีนี้

มุมมอง AI Curator

เรื่องนี้ไม่ใช่ข่าว “โมเดลใหม่” ปกติ มันคือหลักฐานว่า ชั้นของการแข่งขันกำลังเลื่อนจากตัวโมเดลไปที่สภาพแวดล้อมและ harness — ประโยคที่ Harvey เขียนไว้ตรง ๆ คือการเทรนบนสภาพแวดล้อมที่ถูกต้องยกความสามารถได้แม้กับงานกฎหมายที่ซับซ้อนที่สุด ซึ่งเป็นข้อสรุปเดียวกับที่งาน AVO ของ NVIDIAและEnvHarness ของ Googleบอกไว้ในสัปดาห์เดียวกัน สินทรัพย์จริงของ Harvey ไม่ใช่ Tenet แต่คือ 1,750 สภาพแวดล้อมที่มี rubric ระดับพาร์ทเนอร์กำกับ ซึ่งลอกไม่ได้ด้วยเงินอย่างเดียว

แต่ต้องอ่านต้นทุนให้ตรงด้วย B300 150 ใบ นาน 2 เดือน ไม่ใช่ตัวเลขที่สตาร์ทอัพทั่วไปเซ็นได้ และ Harvey ยังต้องพึ่งพาร์ทเนอร์อย่างน้อยเจ็ดรายเพื่อทำให้มันเกิด คำว่า “law firms build their own specialized models and own their intelligence” ที่เป็นเป้าหมายข้อสองของพวกเขา ตอนนี้จึงยังเป็นวิสัยทัศน์มากกว่าของที่ซื้อได้ — สิ่งที่พิสูจน์แล้ววันนี้คือ บริษัทซอฟต์แวร์กฎหมายที่ระดมทุนได้หลักพันล้าน ทำได้ ไม่ใช่ว่าสำนักงานกฎหมายทำได้

สำหรับไทยและ SEA ผมคิดว่าบทเรียนที่ใช้ได้จริงมีสองข้อ ข้อแรกคือ โมเดลผู้ช่วยสามตัวนั้นน่าเลียนแบบกว่าโมเดลหลัก — งาน Firm Knowledge ที่ลดต้นทุนต่อคำถาม 90% ด้วย Qwen3.8-27B ตัวเดียว คือขนาดที่ทีมไทยเช่า GPU เทรนเองได้จริง และเป็นรูปแบบงาน (ค้นคลังความรู้ภายในองค์กรที่ค้นด้วย RAG แล้วไม่เคยดีพอ) ที่ตรงกับปัญหาของบริษัทไทยจำนวนมาก ข้อสองคือ ตรรกะที่ทำให้ Harvey เลือกฐานจีน ใช้ได้กับเราเหมือนกันแต่ด้วยเหตุผลที่หนักกว่า: องค์กรไทยในภาคกฎหมาย การเงิน และสาธารณสุขมีข้อจำกัด PDPA ที่ทำให้การส่งเอกสารลูกความ 80 ล้านโทเคนออกไปที่ API ต่างประเทศเป็นเรื่องที่อธิบายยาก — น้ำหนักเปิดจึงไม่ใช่แค่เรื่องราคา แต่เป็นเงื่อนไขว่างานบางประเภทจะทำได้หรือไม่ได้เลย

จุดที่ผมยังสงวนท่าที: LAB เป็นเบนช์มาร์กของ Harvey เอง และคะแนน “อันดับ 1” บนสนามที่ตัวเองสร้างและตัวเองเทรนบนสภาพแวดล้อมที่มีโครงสร้างเดียวกัน ต้องอ่านด้วยความระวัง ข้อมูลที่ชวนเชื่อกว่าคือผลที่ ถ่ายโอนไปยัง APEX Agents ของ Mercor และ Redline Bench ของ Crosby ซึ่งโมเดลไม่เคยเห็นระหว่างเทรน และการที่คะแนนบนเบนช์มาร์กความรู้กฎหมาย (LegalBench, CUAD, MAUD) ไม่ตก — นั่นแปลว่าการเทรนเชิงเอเจนต์ไม่ได้กัดกินความเข้าใจพื้นฐานทิ้ง ซึ่งเป็นผลที่มีค่าในตัวเองสำหรับทุกคนที่กำลังคิดจะ RL โมเดลของตัวเอง

แหล่งข่าว

• Update on Harvey’s Post-Training Effort — Harvey (20 ส.ค. 2026)
• Harvey Introduces Harvey Tenet: A Kimi K3 Base Post-Trained with Fireworks — MarkTechPost
• moonshotai/Kimi-K3 — Hugging Face