Harvey Tenet : le modèle juridique open-weight qui défie les géants de
Harvey dévoile Tenet, son modèle open-weight post-entraîné pour le droit : presque deux fois plus de tâches juridiques longues réussies, à coût maîtrisé
Imaginez un cabinet d'avocats qui n'achète plus sa dose d'intelligence à un fournisseur externe, mais qui la construit, l'entraîne et la possède. Ce n'est pas de la science-fiction : c'est exactement l'ambition que Harvey poursuit avec Tenet, son premier modèle open-weight post-entraîné. Et les premiers chiffres donnent envie de s'y pencher de près.
Un modèle juridique bâti sur des fondations ouvertes
Harvey Tenet n'est pas parti d'une page blanche. L'équipe a pris Kimi K3 comme base, puis l'a post-entraîné en collaboration avec la recherche de Fireworks, spécifiquement pour les tâches juridiques de longue haleine. Le tout s'accompagne d'améliorations du harnais (le « harness ») qui rendent l'entraînement et l'exécution des tâches plus efficaces.
L'idée derrière cette approche est simple à comprendre : plutôt que de dépendre entièrement d'un modèle fermé et propriétaire, on part d'un socle ouvert que l'on spécialise. Cela change la donne sur deux plans — la performance sur des tâches précises, et la capacité d'une organisation à garder la main sur son intelligence.
Des résultats concrets sur les tâches juridiques longues
Le cœur du travail consistait à améliorer la capacité du modèle à mener des tâches agentiques longues. Pour cela, Harvey a combiné trois sources de données : des données synthétiques, des données juridiques publiques et des données issues d'experts humains. D'après les résultats partagés par Harvey , cet entraînement porte ses fruits sur les tâches de test du benchmark LAB.
Concrètement, le modèle réussit presque deux fois plus de tâches retenues sur LAB, et 20 % de plus sur LAB Contracts, par rapport au Kimi K3 de base. Le taux de réussite complet (« all-pass rate ») progresse de 9 points sur LAB et de 2 points sur LAB Contracts. Ces gains s'appuient sur de meilleures réponses en matière de détail et de citations.
- Performance de pointe (state-of-the-art) sur LAB Contracts.
- Deuxième place sur le benchmark LAB global.
- Des améliorations qui se généralisent à d'autres benchmarks agentiques, comme APEX Agents (droit des sociétés) de Mercor et Redline Bench de Crosby.
Pourquoi l'open-weight change la donne pour les cabinets
Le second objectif de Harvey est aussi le plus stratégique : permettre aux cabinets d'avocats de construire leurs propres modèles spécialisés et de posséder leur intelligence. C'est là que l'open-weight prend tout son sens.
Posséder plutôt que louer
Quand vous entraînez votre propre modèle sur vos données et votre expertise, vous ne dépendez plus uniquement d'un fournisseur externe. Vous gardez le contrôle sur la façon dont votre intelligence juridique évolue, sur les données qui l'ont nourrie et sur les coûts à long terme.
Un coût maîtrisé
Les premiers travaux de Harvey montrent des résultats prometteurs tant sur la performance que sur l'efficacité en coût. Un modèle spécialisé, entraîné sur un socle ouvert, peut offrir un meilleur rapport qualité-prix qu'un modèle généraliste surdimensionné pour des tâches juridiques pointues.
Ce que cela annonce pour l'IA spécialisée
L'histoire de Tenet dépasse le seul secteur juridique. Elle illustre une tendance de fond : les modèles généralistes ne sont plus la seule voie. On voit émerger des modèles spécialisés, post-entraînés sur des domaines précis, qui surpassent leur base sur les tâches qui comptent vraiment.
Cette approche a un avantage considérable : elle rend l'IA de pointe accessible à des organisations qui veulent une intelligence sur mesure, adaptée à leur métier, sans repartir de zéro. Pour les équipes qui travaillent avec l'IA au quotidien, c'est une invitation à réfléchir à ce que « posséder son intelligence » pourrait signifier concrètement.
Pourquoi c'est important
Parce que la question n'est plus seulement « quel modèle est le plus puissant », mais « qui contrôle l'intelligence qui fait tourner votre métier ». Tenet montre qu'on peut obtenir des performances de premier plan avec un modèle open-weight spécialisé, tout en gardant la propriété de son intelligence. Pour votre travail et votre réflexion stratégique, cela ouvre une voie nouvelle : celle d'une IA qui vous ressemble et qui vous appartient.
Conclusion
Harvey Tenet n'est qu'un aperçu de recherche, mais il trace une direction claire : des modèles ouverts, spécialisés et performants, capables de rivaliser avec les géants sur des tâches précises. La prochaine étape consistera à voir comment ces résultats se confirment à grande échelle. Une chose est sûre : l'IA de demain ne sera pas seulement plus puissante, elle sera aussi plus proche de ceux qui l'utilisent.
Points clés à retenir
- Harvey Tenet est le premier modèle open-weight post-entraîné de Harvey, basé sur Kimi K3 et développé avec Fireworks.
- Il réussit presque deux fois plus de tâches LAB et 20 % de plus sur LAB Contracts que le modèle de base.
- L'approche open-weight permet aux cabinets de construire et posséder leur propre intelligence juridique.
- Les gains de performance s'accompagnent d'une meilleure efficacité en coût.
- Cette démarche annonce une ère de modèles spécialisés qui surpassent les généralistes sur leur domaine.