猜你想问
这份研报主要讲了什么内容？
这份研报主要介绍了Harvey联合Fireworks、Engram等发布的Tenet系统，该系统专为长时程法律任务设计。系统采用GSPO+rank-64 LoRA模型，基于开源模型Kimi K3并强化学习训练泛化法律推理能力。通用能力层负责长时程legal agent、任务编排和work product起草，M&A Diligence子agent使用GLM 5.2进行dataroom递归检索，Fire Knowledge子Agent则通过Qwen3.8-27B为每家律所独立训练参数化长期记忆，大幅压缩Context并降低查询成本。整体架构实现了大小模型分层，充分利用不同算力卡资源。
法律AI赛道未来发展趋势如何？
法律AI赛道未来发展趋势呈现大小模型分层架构，大模型负责任务规划，小模型处理具体任务并实现高效知识管理。开源模型与强化微调生态将受益于这种趋势，因为它们能灵活适配不同需求。同时，Context压缩技术如Qwen3.8-27B的应用将降低单次查询成本，提升效率。这种趋势下，传统依赖大参数量模型的方案仍需完善，但分层架构将成为主流，推动法律行业智能化升级。
研报重点分析了哪些方向？
研报重点分析了Tenet系统的架构创新，包括通用能力层、M&A Diligence子agent和Fire Knowledge子Agent的设计。特别关注了开源模型Kimi K3与强化学习的结合，以及Qwen3.8-27B在律所知识参数化训练中的应用。此外，还探讨了大小模型分层架构如何优化算力资源利用，以及Context压缩技术对成本和效率的影响。这些分析揭示了法律AI技术发展的新路径。
当前法律AI市场现状如何？
当前法律AI市场正从单一的大参数量模型向大小模型分层架构转变。开源模型因其灵活性和成本优势，与强化微调技术结合成为重要发展方向。Qwen3.8-27B等小型稠密模型通过参数化训练实现高效知识管理，大幅降低查询成本。这种趋势下，传统依赖昂贵大模型的方案面临挑战，而Context压缩技术为法律行业提供了更经济高效的解决方案。市场正在经历技术迭代和生态重塑。
研报提示哪些风险？
研报提示的法律AI相关风险包括：首先，虽然大小模型分层架构提高了效率，但大参数量模型在复杂任务规划中仍是必要条件，技术路线选择存在不确定性。其次，开源模型生态的成熟度和稳定性可能影响系统性能。再次，Context压缩技术的广泛应用可能对依赖KvCache等传统缓存方案的企业造成冲击。最后，不同律所知识写入模型的预习学习阶段可能存在数据安全和隐私保护挑战。这些因素需关注。