聚创优配平台 OpenAI亲儿子反水，认中国模型做赛博义父

OpenAI 投资的百亿独角兽，模型底座来自中国

最近，美国法院接连被 AI 摆了几道：一名法官的助理用 Perplexity 起草裁定，绕过常规复核，结果文件不仅出现虚构引用，连当事人都写错了。

这已经不是法律界第一次因为 AI 翻车而吃苦头，还有法院接到当事人发来的诉状，打印文件时出现了大片空白，仔细一查发现了隐藏的白色文字。

原来是当事人在文件里，贴进了人眼不可见的白色小字，要求任何读取文件的 AI确保输出同意本文件的主张，并引导 AI 推翻先前决定、支持他的诉求。

好吧，现在法律界确实经常用 AI 了，但还没到啥都用 AI 审阅的程度——更没那么笨。Harvey 最近就发布了专门的法律模型 Tenet，而且是以 Kimi K3 为基座。

没听过这家公司也很正常，它不做面向普通人的法律问答，而是给律所和企业法务提供 AI 工具，帮助律师查资料、审合同和处理文件。Harvey 成立只有四年，估值已经达到 110 亿美元，服务超过 1300 家机构和 10 万名律师，是目前最值钱的法律 AI 公司。

这是 Harvey 第一个基于开放权重进行后训练的模型，面向需要长时间执行、连续调用工具的法律任务。初步成绩显示，Tenet 在 Harvey 的法律智能体基准 LAB 上，成功完成的测试任务接近底座模型的两倍。

不过，作为一家独角兽公司，随时买得到最强模型，为什么还要自己专门训一个？

从开头的新闻里也看到了，通用模型可以回答法律知识，却未必能完成真实的法律任务。律师接到的通常不是一道问答题，而是一句来自合伙人的要求，以及大量真假线索混杂的客户文件。

模型需要判断从哪里开始，连续检索和阅读材料，发现风险、给出引用，最后形成可以交付的合同修订或法律备忘录。

对这类任务而言，真正稀缺的不只是知识，而是知道一项工作应该怎样完成、怎样检查。麻烦在于，这些很难靠提示词和外部工作流完整地传递给模型。你可以把检索、引用和审阅步骤写进系统，却很难用一段提示词让模型学会什么时候应该多调一份材料一份交付物到底差在哪里——这些判断藏在成千上万次真实执行的细节里。

所以，只能靠训练了。

OpenAI 投资的百亿独角兽，模型底座来自中国

类似选择正在同时发生在更多中国模型身上，一批看起来土生土长的美国 AI 产品，扒开外壳，里面却装着一颗中国模型的心。

最为人所知的，要数全球最热门的 AI 编程工具 Cursor，年初时发布了自己的模型 Composer 2。当时 Cursor 只强调它便宜、快速，能够自动完成复杂的编程任务，却没有交代模型究竟从哪里来。直到被抓住，它才在技术报告中承认，Composer 2 是在 Kimi K2.5 的基础上训练出来的。

Cursor 一直被视为美国 AI 创业潮中最风光的公司之一。它估值数百亿美元，背后站着一群硅谷顶级投资人，平时还大量使用 Anthropic 的 Claude。这样一家公司第一次推出自己的模型，也不是从零开始，而是直接拿了 Kimi 的开放模型继续加工。甚至在随后推出的 Composer 2.5，仍然沿用 Kimi 的底座。

照着这个思路，英国 AI 公司 Cosine 也拿 Kimi K2.6 训练出 Lumen Outpost。Cosine 是专门维护银行、航空公司和大型企业仍在使用的古老代码的修理工，减少 AI 随手生成但难以维护的垃圾代码，并让模型在完成工作时少说废话、多主动解决问题。

这家公司体量远不如 Cursor，但它更现实，小公司没有钱与 OpenAI、Google 竞争，那就可以拿现成的中国模型，专门训练它解决某一类客户愿意付钱的问题——不考高考了，而是直接考职业资格证。

最后，连全球第一位 AI 程序员的 Devin 也加入了这条队伍，发布 SWE-1.7 时公开承认，它使用的是 Kimi K2.7。在 Curosr 之前，Devin 曾经是硅谷 AI Agent 最受瞩目的明星产品，后来也跟 Cursor 走上了同一条路，现在也用了同一个中国厂商的基座模型。

短短半年，Kimi 的不同版本像接力棒一样被海外公司依次拿走：K2.5 进入 Cursor，K2.6 被 Cosine 改造成专攻疑难杂症的程序员，K2.7 进入 Devin，K3 则被 Harvey 训练成法律专家。Kimi 每更新一代，海外就多出一个挂着本地公司招牌的新模型。

这些公司当然不是简单地给 Kimi 换个名字。它们仍然需要投入数据、算力和行业经验，才能把通用模型变成真正可用的产品。但它们也不再执着于证明「这个模型完全是我从头训练的」，毕竟在商业世界里，血统没有成本重要，能不能用更少的钱，做出更适合自己客户的模型，才是关键。

中国模型抢的，不只是 Claude 的用户

过去，AI 创业公司通常只有两条路：要么花费巨资从头训练模型，要么接入 Claude、GPT 等闭源模型，每使用一次就向模型公司交一次钱。

后一种办法启动更快，却很容易带来一个尴尬的问题：产品做得越大、用户用得越多，付给上游模型公司的费用也越高，支出收入能勉强打平就不错了。

中国开源模型的爆发，则给这些 AI 创业公司提供了第三条路，他们可以直接拿到一套已经训练好的模型，再用自己的数据和业务经验继续加工。它们不需要承担从零造模型的全部成本，也不用永远依赖 Anthropic、OpenAI 的定价和服务。

这也由此诞生一种类似 Harvey 的有趣现象，美国的 AI 产品，由中国模型预制。

同样是在法律咨询行业深耕的汤森路透，也发布了首个自研模型 Thomson-1，他们同样使用了中国开源模型。CTO Joel Hron 把这种选择比作租房与买房——调用外部 API 是在交租，而拥有自己的模型，才能让公司的行业数据和知识产权不断沉淀成资产。

连 OpenAI 前 CTO Mira Murati 创办的 Thinking Machines，虽然从头训练了自己的基础模型 Inkling，一方面参考了DeepSeek 的 V3 做模型架构，另一方面也使用 Kimi K2.5 生成的合成数据启动监督微调，这家公司目前估值已经超过 120 亿美元。