Harvey 靠律所席位收费，赌自有模型能压住成本

法律任务评分环境：把律师判断拆成可训练信号

Harvey 搭建约 1750 个法律任务环境，把律师的事实判断、引用核对、风险评级拆成可评分标准，用于强化学习。这不是做一个法律问答界面，而是把律师的工作流程变成模型可训练、可评估的步骤。对律所来说，卖点不是模型参数，而是任务完成率。

据 R2 报道（单一来源，中等置信度），Tenet 在 Legal Agent Bench 整项任务全通过率 19.7%，高于 Fable 5 的 11.5% 与 GPT-5.6 Sol 的 2.5%。这个数字说明法律任务对模型仍然很难，也说明 Harvey 选择用任务通过率而不是通用基准来定义产品好坏。

风险在于，评分环境由 Harvey 自己定义，客户是否认可这套标准，取决于它是否贴近真实法律工作。若客户认为评分与自身业务脱节，护城河就退化为营销指标。

Tenet 自然后训练：少量算力换专用能力，底座却来自开源模型

2026 年 8 月 Harvey 发布首个自然后训练模型 Tenet，底座为中国月之暗面开源模型 Kimi K3，与 Fireworks AI 合作完成。后训练仅用约 150 块 NVIDIA B300、耗时约两个月，说明 Harvey 的策略不是从头训练大模型，而是在开源底座上做法律领域适配。

这条路径的好处是资本开支可控，能把钱花在数据、评分环境和客户获取上。代价是模型能力的上限受制于底座，且 Kimi K3 许可要求年收入超 2000 万美元的模型即服务运营方与月之暗面另签协议，Harvey 年化收入已超该门槛，模型层的自主权并不完整。

对 Harvey 而言，Tenet 更像是一张成本控制牌，而不是技术独立牌。它真正要证明的是，自然后训练能让单位法律任务的推理成本下降，而不只是跑分更高。

律所席位订阅：按人头收费，收入随客户用量增长

Harvey 的主要收入来自律所和企业法务的订阅合同，按用户席位收费。官网称 ARR 超过 1 亿美元（三周年时点）；TechCrunch 2025 年 11 月报道称截至当年 8 月 ARR 突破 1 亿美元。两个来源时点不同，均指向 1 亿美元量级，但不宜视为同一时点的确认数据。

席位制意味着收入与客户机构的律师人数挂钩，而不是与单次任务挂钩。这给 Harvey 带来可预测的订阅收入，但也要求它持续证明每个席位都在被使用。联合创始人 Gabe Pereyra 称 2026 年 1 月至 6 月平台月消耗 Token 从约 1 万亿增至 14.5 万亿（来源原文称“半年增超 14 倍”），说明客户使用深度在上升，用量增长本身也会推高推理成本。

收入口径存在冲突：Dealroom 转述播客称收入已超 2 亿美元、约每六个月翻倍；TNW 称年化收入超过 3.5 亿美元；品玩报道称 2026 年 1 月年收入 1.9 亿美元。这些数字来源和统计方式不一，不宜并列当作确定事实，只能说明增长方向明确、具体规模公开资料未统一披露。

客户构成决定定价上限：六成律所、四成企业法务

Winston Weinberg 称客户构成为 60% 大型律所、40% 企业内部法务。两类客户的付费逻辑不同：律所按律师席位采购，关注任务通过率和计费小时的可替代性；企业法务按团队席位采购，关注合同审查、合规检索的效率和审计留痕。

以律所为主的客户结构，意味着 Harvey 的定价上限受律所采购预算和合伙人决策周期约束。律所不会轻易把核心法律判断交给外部模型，但一旦嵌入工作流，替换成本也高。这种高切换成本是 Harvey 收席位费的基础，但也让销售周期变长、客户集中度风险上升。

公开资料未披露具体合同金额、客单价和续费率，无法判断席位定价是否足以覆盖推理成本。从 Token 消耗增速看，用量增长可能快于席位收入增长，这是订阅制下需要关注的错配。

客户是大型律所与企业法务，靠 AmLaw 100 渗透建立可信度

Harvey 官网称服务 500 多家客户、覆盖 54 个国家，42% 的 AmLaw 100 律所使用。TechCrunch 2025 年 11 月称有 700 家客户、覆盖 63 个国家，含多数美国前十律所；钛媒体称全球 75 家以上 AmLaw 100 律所是 Harvey 客户。官网与 TechCrunch 的客户数口径存在时点差异，说明客户数在增长，但具体数字不宜混用。

客户高度集中在大型律所，这些机构付费能力强、对数据隔离和保密要求高，采购决策慢。Harvey 用 AmLaw 100 渗透率作为可信度信号，因为律所圈子小，头部客户的使用会直接影响同行采购。Forbes Australia 称澳大利亚前 30 大律所中近一半已使用 Harvey，说明这种渗透方式可以复制到区域市场。

但客户集中也意味着收入依赖少数大型机构，公开资料未披露前十大客户收入占比，这是理解 Harvey 收入稳定性的关键缺口。

靠头部律所背书和区域扩张触达客户，销售周期长

Harvey 的渠道不是自助注册，而是面向律所合伙人和企业法务负责人的直接销售。头部律所的使用形成同行参考，42% 的 AmLaw 100 覆盖率本身就是销售材料。这种渠道依赖品牌可信度和案例，而不是流量投放。

区域扩张上，据 R9 报道（中等置信度），Harvey 计划今年晚些时候在新加坡开设办公室，悉尼为亚太总部。亚太布局说明它试图把美国律所的渗透模式复制到英语普通法市场，但区域市场的律所结构和采购习惯不同，渠道能否复用公开资料未披露。

渠道的约束在于，律所采购需要合伙人级别推动，销售周期长、实施重。Harvey 的 350 人团队要同时支撑产品、后训练和全球销售，人力分配是隐性瓶颈。

钱花在推理算力和后训练上，Token 消耗增速快于收入

Harvey 的主要成本是模型推理算力和后训练投入。后训练 Tenet 仅用约 150 块 NVIDIA B300、耗时约两个月，这部分资本开支相对可控；但日常推理成本随客户用量增长，据 R2/R10 报道，Gabe Pereyra 称 2026 年 1 月至 6 月平台月消耗 Token 从约 1 万亿增至 14.5 万亿（来源原文称“半年增超 14 倍”）。

收入侧官网口径 ARR 超过 1 亿美元，与 Token 消耗的增速相比，推理成本的增长可能快于席位收入。订阅制下，客户用得越多，Harvey 的边际成本越高，除非 Tenet 能把单位 Token 成本压下来。这是自然后训练模型最直接的商业理由。

此外，销售与实施团队、法律数据标注和评分环境维护也是持续投入。公开资料未披露成本结构和毛利率，无法判断当前是否盈利，只能从 Token 增速推断成本压力在上升。

靠风险投资支撑增长，OpenAI 早期资金带来技术合作

Harvey 的早期资金来源与 OpenAI 关系密切：种子轮由 OpenAI Startup Fund 领投，金额 500 万美元；2023 年完成 8000 万美元 B 轮融资，OpenAI 与红杉资本参与。2022 年 7 月 4 日 Weinberg 与 Pereyra 冷邮件联系 Sam Altman 与 Jason Kwon，随后获 OpenAI 投资与技术合作，这条线索解释了 Harvey 早期为何能快速接入模型能力。

品玩报道称 Harvey 累计融资超 9.8 亿美元（单一来源口径，未获其他来源印证），投资方包括 Sequoia、a16z、OpenAI、Elad Gil 等。估值口径不一：110 亿美元（多源）、155 亿美元（TNW）、92 亿美元（品玩 2026 年 1 月）。估值冲突本身说明市场对 Harvey 的定价存在分歧，但融资规模足以支撑其在一段时间内继续投入后训练和区域扩张。

靠风险投资活着的含义是，Harvey 不需要短期盈利，但需要持续证明收入增长和模型自主性。若 Tenet 不能改善毛利，融资故事会越来越依赖收入增速而非成本结构。

护城河是法律任务数据和律所工作流嵌入，不是模型本身

Harvey 的护城河不在模型参数，而在约 1750 个法律任务环境和由此积累的评分数据。这些环境把律师的判断标准编码进训练流程，客户使用越多，任务数据越丰富，模型在具体法律任务上的通过率越可能提升。这是一种数据与工作流耦合的壁垒，而不是通用模型能力。

另一层是律所工作流嵌入。42% 的 AmLaw 100 律所使用意味着 Harvey 已经进入部分律所的日常流程，替换它需要重新培训律师、迁移任务配置，切换成本高。但这条护城河受限于律所采购决策，一旦竞争对手给出更低价格或更好的模型，客户仍可能更换供应商。

据 R5 报道（中等置信度），Winston Weinberg 称最大竞争威胁是 Anthropic 而非其他法律 AI 初创，多数商机对话对手为 Anthropic 或 CoCounsel/Lexis。这说明 Harvey 的护城河要同时面对通用模型厂商和法律数据 incumbent，前者有模型能力，后者有客户关系。Harvey 的中间位置并不稳固。

模型底座依赖开源许可，收入越高许可约束越紧

Tenet 的底座是 Kimi K3，许可要求年收入超 2000 万美元的模型即服务运营方与月之暗面另签协议。Harvey 年化收入已超该门槛，意味着它不能无条件把 Kimi K3 当作免费底座使用。这条约束直接影响 Harvey 的模型成本和自主权：收入增长本身会触发更严格的许可谈判。

更深层的风险是，Harvey 的自然后训练能力建立在别人的开源模型上。若月之暗面调整许可或停止开源，Harvey 需要重新选择底座并重做后训练，时间和算力成本都会上升。公开资料未披露 Harvey 与月之暗面的协议细节，无法判断许可风险的实际敞口。

通用模型厂商和法律数据商两头挤压，客户关系不是独家

据 R5 报道（中等置信度），Weinberg 称最大竞争威胁是 Anthropic 而非其他法律 AI 初创，多数商机对话对手为 Anthropic 或 CoCounsel/Lexis。这意味着 Harvey 在销售中面对的不是同类法律 AI 创业公司，而是模型能力更强的通用厂商和客户关系更深的法律数据商。

据 R2/R10 报道，OpenAI 挖来 Ironclad 联合创始人 Jason Boehmig 组建法律团队，被外界视为 Harvey 潜在竞争者。OpenAI 既是 Harvey 早期投资方和技术合作方，又可能在法律场景直接竞争，这种关系增加了不确定性。Harvey 的应对是自然后训练模型 Tenet，试图用法律任务专用能力拉开差距，但 Tenet 的底座又依赖开源模型，技术自主性有限。

两头挤压的结果是，Harvey 的席位定价既不能太高，否则客户转向通用模型或 incumbent 的捆绑方案；也不能太低，否则覆盖不了推理成本。这个价格区间会随着通用模型能力提升而收窄。