Harvey、長期的法務エージェント向けモデル「Harvey Tenet」を公開

ハーヴィーは本日、長期的な法的業務を対象とした非同期強化学習を通じて Fireworks と共同でポストトレーニングを行った「Harvey Tenet」を発表しました。これは同社の初のポストトレーニングモデルであり、研究プレビューとして公開されています。

学習データセットには合成データ、公開されている法的データ、および人間の専門家によるデータが組み合わされています。ハーヴィーは顧客データは一切使用していないと明言しています。

ベースとなる K3 モデルと比較すると、Harvey の Legal Agent Benchmark (LAB) において Tenet はほぼ倍のタスクを完了し、特に LAB: Contracts では 20% 向上しました。これにより、両方のベンチマークでパス率をそれぞれ 9 ポイントと 2 ポイント引き上げました。ハーヴィーは LAB: Contracts で最上位、LAB 全体では第 2 位の成績を収めています。

さらに、これらの性能向上は、Mercor の APEX Agents や Crosby の Redline Bench といった未学習の環境にも転移することが確認されています。

この取り組みの目的は二つあります。一つはオープンウェイトモデル上で最先端の法的知能を構築すること、もう一つは法務事務所が独自の専門モデルを所有するための道筋を示すことです。

では、すぐに実装可能なのでしょうか？

まだです。Harvey Tenet は 2026 年 8 月 20 日に発表された研究プレビューであり、重み（weights）やモデルカード、API エンドポイントの公開はまだ行われていません。ベースモデルはオープンウェイトですが、Tenet 自体はハーヴィー独自のチェックポイントです。同社は、この技術が将来的に自社の製品を通じて「研究から生産へ」と移行していくと述べています。

今日発表されたのは完成品ではなく、そのレシピ（学習手法）なのです。

企業限定のサービスです。アクセスは Harvey のプラットフォームを通じて行われ、法律事務所や中堅ファーム、社内法務チーム向けに販売されています。この手法を再現するには RL（強化学習）スタックを持つラボが必要ですが、実際のトレーニングには約 2 ヶ月間にわたって 150 台の NVIDIA B300 GPU が使用されました。

対象業界は法律サービス、企業の社内法務部門、プライベート・エクイティおよび投資銀行（M&A のデューデリジェンス）です。また、契約件数の増加がコスト増に直結する保険、金融サービス、ヘルスケア、エネルギーなどの規制産業も含まれます。

主な用途は、データルームにおける M&A デューデリジェンスメモの作成、契約書のドラフト作成・レビュー・赤入れ（修正指示）、最大 10,000 ドキュメントにわたる構造化データの抽出、そして事務所が蓄積したナレッジベースに基づく判例検索です。

数値で見る成果

ベースとなる K3 モデルと比較すると、Tenet は Harvey の Legal Agent Benchmark (LAB) および LAB: Contracts において、それぞれ約 2 倍と 20% 多くのタスクを完了し、すべてのパス率をそれぞれ 9 ポイント、2 ポイント引き上げました。Harvey は LAB: Contracts で最高スコアを記録し、Vals のベースモデルスコアに基づく評価では LAB でも 2 位を獲得しています。

より興味深いのは転移学習の結果です。Tenet はトレーニング中に一度も見たことのない Mercor の APEX Agents（企業法務向け）や Crosby の Redline Bench においても大幅な性能向上を示しました。一方で、LegalBench、CUAD、MAUD、Scale の PRBench といった知識ベースのベンチマークではパフォーマンスを維持しており、エージェント学習によって教科書的な法的推論能力が損なわれることはありませんでした。

コストはトレードオフではなく、最適化の対象となります。オープンウェイトモデルを採用することでトークンあたりの価格を下げ、同等の品質でより短いトランザクションを優先する報酬設計により、消費されるトークン数を削減しています。ハービー社の報告によると、コストを安定させたまま大幅な品質向上が実現されています。

トレーニング手法について

トレーニングは、LABタスクに似たサンドボックス化された法務環境で行われました。そこでは、パートナーからの指示（平均約50語）、顧客の事案に関連する主要および周辺ドキュメント、そして原子レベルの合格/不合格基準からなる専門家による評価基準（1 タスクあたり約 50 項目、極端なケースでは数百項目）が用意されます。単一のロールアウトで 1,000 トーンを超えることもあります。

ロールアウトは LLM-as-a-judge によって採点され、アブレーションテストの結果、Kimi 2.6 が採用されました。報酬関数は、評価基準の達成率、解決された法的課題の包括的な数、そして全項目合格ボーナスを組み合わせて構成されています。ポリシー最適化には GSPO を使用し、K3 ネットワーク全体に対して rank-64 の LoRA を適用しました。1 回のオプティマイザステップあたり 8 つのタスクグループから各 8 ロールアウトをサンプリングし、約 1,750 の環境で、1 エポックあたり 10,000 回以上のロールアウトを実行しています。Fireworks はカーネルレベルでトレーニングとロールアウトのデプロイメントを共同構築し、トークンイン・トークンアウトおよびルーターリプレイを実現しました。これにより、大規模な MoE モデルがトレーニング中も推論中も数値的に整合性を保つことが可能になっています。

別々にトレーニングされた 3 つの機能

ハービーチームはまた、Tenet がツールやサブエージェントとしてルーティングできる専門モデルを別途ポストトレーニングしています：

M&A デューデリジェンス：LAB（Diligence）という単一のタスクでは、最大 8,000 万トークンにわたる処理が必要となり、どのベンチマークモデルも 43.8% の基準をクリアできませんでした。Baseten を活用し、Harvey は再帰型言語モデルのハネスを導入しました。ここではルートエージェントがデータルームを REPL（対話型実行環境）上で保持し、サブエージェントにタスクを委任します。GLM-5.2 オケストレーター単体では 46.1% の達成率でしたが、自己蒸留を用いてこの環境でポストトレーニングを行ったところ、60.1% に向上しました。

レビュー表：Applied Compute を用いたポストトレーニングにより、GLM-5.2 は回答の質を 3.6 ポイント、引用の質を 12.1 ポイント改善し、セルあたりのコストは約 1/10 に抑えられました。また、質問が適用できない場合は回答を控える学習も実現しています。

法務知識：Engram を活用すると、Qwen3.8-27B モデルが約 1 億トークン分の顧客事例から、構造化された知識（100 万トークン分）とパラメトリックメモリを抽出します。その結果、基準クリア率は 15% 以上向上し、完了したトジェクト内のトークン数は 58% 減少、クエリあたりのコストは約 90% 低下しました。これは、最良の最先端構成で得られる 129.3 の「トークンあたり知能」に対し、190.8 という高い効率を示しています。

Marktechpost 独立テスト事実確認

現実検証

Harvey Tenet — ベンチマーク主張の検証済み

監査：Harvey リサーチプレビュー（2026 年 8 月 20 日）および Harvey X スレッド・モード：デフォルト

78 インフレスコア

19 クレーム

1 検証済み

10 自己報告

6 旗印付き

2 検証不可

Harvey が発表した内容に矛盾する事実は一切ありません。スコアが高いのは、Tenet が Vals、Artificial Analysis、Mercor のいずれの公開リーダーボードにも掲載されていないためです。

スコア計算式：(8 × 6 フラグ) + (15 × 0 矛盾) + (3 × 10 自己報告) = 78

クレーム一覧表

ClaimNumberIndependent の検証結果

Kimi K3 ベースモデルと比較して、LAB で保持されたタスクの約 2 倍を完了

≈ 2 倍

公開リーダーボードには未掲載

自己申告

LAB 全体パス率の上昇

+9 ポイント

X（旧 Twitter）では「+82%」と記載されているが、これは同一の結果を示す

Flag F1

LAB: 契約書関連タスクの全パス率上昇

+2 ポイント

公開リーダーボードは存在しない

自己申告

LAB: 契約書分野でトップクラス（SOTA）

SOTA

ベンチマークは Harvey が所有・運営・採点している

Flag F2

LAB で 2 位にランクイン

#2

1 位の Vals は Muse Spark 1.1（20.00%）。Harvey 主催だが、ツールによる差分の定量化は行われていない

Flag F3

APEX Agents（企業法分野）における Kimi K3 ベースモデルの結果

58.8%

58.8%（Kimi K3 Max）と完全に一致

検証済み

Tenet は APEX Agents において Kimi K3 ベースを大幅に上回る

—

Harvey のハネス単独での結果：58.8% → 67.5%

Flag F4

Crosby Redline Bench において Kimi K3 ベースを上回る

データなし

公開リーダーボードから欠落

自己申告

APEX v1 Big Law Associate held（知識ベンチマーク。エージェント型タスクのリーダーボードではない）

データなし

Mercor に委託されたブラインドラン。公開 v1 リーダーボードには未掲載

自己申告

LegalBench、CUAD、MAUD で結果を維持

"strong"（強力）

非標準的な指標。全モデルに適用

自己申告

PRBench ハードサブセット

36.0% → 36.8%

Harvey は統計的に有意ではないと指摘

自己申告

LAB: デューデリジェンス基準パス率

43.8% → 60.1%

公開リーダーボードは存在しない

自己申告

Review Table のセルあたりのコスト

≈ 1/10

ベースラインモデルの名前は明記されていない

Flag F6

Firm Knowledge のトークンあたりのインテリジェンススコア

190.8

Engram の記事に基づく。指標は Harvey 独自のもの

自己申告

「最初のポストトレーニング済みオープンウェイトモデル」

—

Business Insider：独自開発の専用モデル

フラグ F5

「主要な基盤モデルのコストの 4 分の 1 未満」

< 25%

X（旧 Twitter）でのみ報告；比較対象は非公開

フラグ F7

約 150 台の NVIDIA B300 GPU を使用し、2 か月間。GSPO と rank-64 の LoRA を併用。

—

構成上検証不可能

確認不能

ポストトレーニング時に顧客データは使用されていない

—

構成上検証不可能

確認不能

フラグの解説

F1 · 分母操作の問題

ブログ記事では「+9 ポイント」「+2 ポイント」と報告されていますが、X の投稿では同じ結果を「+82%」「+22%」と表現しています。両方とも事実ですが、ソーシャルメディアの数値の方が約 9 倍大きく見えます。

F2 · 自己申告を事実として扱う

「LAB: Contracts で SOTA（最良性能）」という主張は、ハーベイが独自に設定したベンチマークでの勝利です。ハーベイ側は、この分野には公的なリーダーボードが存在せず、すべてのスコアは社内での実行結果であると明言しています。LAB は意図的にリーダーボードなしで立ち上げられました。

F3 · 設定の不一致

ハーベイはこれを明確に説明しています。Tenet は標準的な公開ハッチ（評価枠組み）に加え、トレーニング時に使用された完了ツールをそのまま引き継いで実行されましたが、競合他社のスコアは Vals という別の環境で取得されています。このフラグの問題は隠蔽ではなく比較可能性にあります。ハーベイは「完了ツールあり・なし」の両方で LAB を公開していないため、そのツールの価値は定量化できません。ハーベイ自身の APEX 数値によると、ハッチの変更だけで K3 のスコアが 8.7 ポイント変動しており、LAB の主張されるランクでは Vals の上位モデルが 12% から 20% の範囲に位置しています。

F4・設定の不整合

APEX エージェントのベンチマークにおいて、Tenet はハーベイ（Harvey）の内部 Bash ハーネスで実行されましたが、競合他社は Mercor が公開した数値を採用しています。ハーベイは、このハーネスを使用することで、ベースラインの K3 のスコアが 58.8% から 67.5% に向上することを明らかにしました。これは、事前学習段階におけるリーダーである Fable 5（67.4%）と 0.1 ポイント差以内の成績です。

F5・表現の誤解

「オープンウェイト」という用語は、Kimi K3 ベースモデルを指すものであり、Tenet を指すものではありません。しかし、重み（weights）、モデルカード、API のいずれも公開されていないにもかかわらず、複数のメディアが Tenet 自体を「オープンウェイト版」とする見出しを掲載しました。

F6・分母のゲーム

「セルあたりのコストは約 10 分の 1」という主張は、特定の「最強のベースライン」に対する比較ですが、両者のサービング設定や精度、ハードウェア環境についての言及がありません。

F7・分母のゲーム（続き）

「主要なファウンデーションモデルのコストの 4 分の 1 未満」という主張は X（旧 Twitter）上でのみ見られます。比較対象は特定されておらず、リスト価格と実際に測定されたトークン消費量が区別されていません。

Credit where due（評価に値する点）

ハーベイは Mercor に APEX v1 の盲検テストを依頼しましたが、その実行内容やタスク、タスクレベルのスコアについてはハーベイ側に開示していませんでした。これは記事内で最も強力な検証手法の一つですが、あくまで知識保持能力を示すものであり、エージェントとしてのスキルを証明するものではありません。また、ハーベイは PRBench での結果がゼロであることを自発的に報告し、Artificial Analysis や Vals との相違点を文書化しました。さらに F4 で明らかにしたように、内部ハーネスの影響が APEX の評価を低下させる要因となっていることも開示しています。

Reality Check by Marktechpost · 検証日：2026-08-23

デフォルトモードでは、ベンダーからの数値のみが自己申告ラベル付きで採用されます。スコアは変動するため、引用する前に再検証が必要です。

Key Takeaways

Tenet は、Kimi K3 チェックポイントをポストトレーニングしたモデルですが、公開されたオープンウェイト版ではなく、重み（weights）や API も提供されていません。

未学習の状態から APEX Agents や Redline Bench へ転移した結果が示唆する通り、これはベンチマークへの過剰適合ではなく、実際に学習された振る舞いによるものです。

軌道長に対する報酬の形状付け（reward shaping）により、品質とコストはトレードオフの関係ではなく、同時に向上させることに成功しました。

最も大きな改善が見られたのは、専門的なスタック領域です。具体的には、RLM による調査、レビューテーブル、ファームメモリといった機能においてです。

GitHub リポジトリや Hugging Face ページ、製品リリース、ウェビナーなどのプロモーションをご希望の場合は、パートナーシップについてお問い合わせください。