Harvey Tenet은 Kimi K3 오픈웨이트 모델을 법률 업무용으로 후속 학습한 연구 미리보기 모델입니다. 학습 구조, LAB 점수 해석법, 라이선스 조항, 도입 전 점검 순서를 2026년 9월 기준으로 정리했습니다.
하비키미K3 시작 전 확인할 것
Harvey Tenet은 지금 바로 도입할 수 있는 제품이 아니라 연구 미리보기입니다. Kimi K3 기반 법률 특화 구조를 실무에 반영하려면 Tenet 자체보다 base 모델인 Kimi K3를 기준으로 판단하는 편이 현실적입니다. Harvey는 2026년 8월 20일 Tenet을 Research Preview로 공개했습니다. 2026년 9월 23일 기준으로 정식 출시(GA)일, 가격, 가중치 공개 일정은 모두 확인되지 않았습니다. 이 글에서는 Tenet의 학습 구조, 벤치마크 수치 읽는 법, K3 라이선스 조항, 도입 전에 밟을 단계를 다룹니다. 폐쇄형 프런티어 모델과의 가격 비교는 공식 자료로 확인하지 못해 뺐습니다.
Harvey의 정의에 따르면 Tenet은 Kimi K3 base 위에 Fireworks 연구팀과 함께 긴 호흡의 법률 업무용으로 후속 학습한 모델입니다. 구조는 세 층으로 나뉩니다. 맨 아래에 Moonshot AI가 공개한 K3 가중치가 있고, 그 위에 Fireworks Training API로 돌린 비동기 강화학습이 얹히며, 가장 바깥에 Harvey 플랫폼 통합이 있습니다. 공개된 것은 맨 아래 층, 즉 K3뿐입니다.
이 차이를 놓치면 "오픈웨이트 법률 모델이 나왔다"고 오해하기 쉽습니다. Harvey가 쓴 "first post-trained open-weight model"이라는 표현은 기반 모델이 오픈웨이트라는 뜻입니다. Tenet의 가중치·모델카드·API가 공개된 흔적은 없습니다.
학습 데이터도 도입 판단의 중요한 전제입니다. Harvey는 합성 데이터, 공개된 법률 데이터, 인간 전문가 데이터를 섞었다고 밝혔고, 고객 데이터는 "We did not use any customer data in any of our post-training efforts."라고 명시했습니다. 고객사 기밀이 학습에 섞였을 가능성은 공식적으로 부인된 상태입니다.
용어 풀이
1. 후속 학습(post-training) — 이미 학습된 기반 모델을 특정 업무에 맞게 추가로 가르치는 과정으로, 모델을 처음부터 만드는 것보다 비용이 훨씬 적게 듭니다.
2. MoE(Mixture of Experts) — 여러 전문가 하위 네트워크 가운데 일부만 골라 계산하는 구조로, 전체 크기에 비해 실제 연산량이 작습니다.
3. all-pass율 — 한 과제의 평가 항목을 하나도 빠짐없이 통과한 과제의 비율로, 세부 항목 통과율보다 훨씬 엄격한 지표입니다.
준비물·필요 서류
Tenet은 단독으로 구매하거나 직접 배포할 수 없습니다. 그래서 실제로 준비할 것은 K3 base 검증에 필요한 자료와 Harvey 측 확인 사항입니다. 도입 검토 전에 확보해야 할 문서와 수치는 아래와 같습니다.
| 준비 항목 | 확인할 내용 | 2026년 9월 23일 기준 상태 |
|---|---|---|
| K3 모델카드 | 전체 2.8T, 활성 104B, 전문가 896개 중 16개 활성 | 공개(Hugging Face) |
| K3 컨텍스트·정밀도 | 1,048,576토큰, 가중치 MXFP4 / 활성값 MXFP8 | 공개 |
| K3 API 가격표 | 1M 토큰당 입력 $3.00, 캐시 적중 입력 $0.30, 출력 $15.00 | 공개 |
| K3 라이선스 원문 | 전용 "Kimi K3 License"로 MIT 같은 표준 라이선스가 아님 | 공개 |
| Tenet 접근 권한 | 연구 미리보기 참여 여부, GA 일정 | 확인 못 함 |
| Tenet 가격·배포 형태 | 과금 방식, 단독 사용 가능 여부 | 확인 못 함 |
| 벤치마크 원자료 | Harvey·Fireworks 블로그, Artificial Analysis LAB-AA | 공개(측정 조건 상이) |
파생 모델을 외부 서비스로 내놓을 계획이 있다면 라이선스 문서를 가장 먼저 법무 검토에 넘겨야 합니다. 사업 규모에 따라 걸리는 조항은 세 가지입니다.
| 조항 | 기준 | 요구 사항 |
|---|---|---|
| MaaS 별도 계약 | 최근 12개월 매출 2천만 달러 초과 | Moonshot과 별도 계약 |
| UI 표시 의무 | 월간 사용자 1억 명 초과 | 서비스 UI에 "Kimi K3" 표시 |
| UI 표시 의무 | 월매출 2천만 달러 초과 | 서비스 UI에 "Kimi K3" 표시 |
| 내부 사용 | 규모 무관 | 위 조건 모두 면제 |
사내 검토용으로만 쓴다면 내부 사용 면제 덕분에 라이선스 부담이 거의 없습니다. 반대로 법률 SaaS 기업이 K3로 파생 모델을 만들어 고객에게 제공한다면 매출 규모에 따라 계약 구조가 달라질 수 있습니다. 라이선스 해석은 계약마다 다를 수 있으니 최종 판단은 자격을 갖춘 법률 전문가에게 맡겨야 합니다.
비용 산정에 쓸 수치도 미리 챙겨 둡니다. Fireworks가 공개한 LAB 과제 1건당 비용은 Tenet $5.92, base K3 $5.62이고, Fireworks는 이를 "effectively flat"이라고 표현했습니다. 법률 특화 학습으로 늘어난 추론 비용은 약 5%입니다. 예산 모델은 base K3 단가로 잡아도 크게 어긋나지 않습니다.
단계별 진행 순서
1단계. 대상 업무 범위를 정한다 (소요시간: 짧음, 내부 회의 수준)
Tenet이 강한 영역은 여러 단계에 걸친 긴 에이전트 작업입니다. 계약서 한 조항을 뽑아내는 정도의 단순 추출이라면 Tenet급 모델까지는 필요 없을 수 있습니다. Harvey는 같은 글에서 범위가 좁은 작업용 대안도 제시했습니다. GLM-5.2 기반 Review Table 실험은 셀당 비용을 약 1/10로, Qwen3.8-27B 기반 Firm Knowledge 실험은 쿼리당 비용을 90% 줄였다고 합니다. 다만 이 두 수치는 Tenet의 성과가 아닙니다. 매체 요약에서 섞이기 쉬우니 원문과 대조해야 합니다.
2단계. Tenet 접근 가능 여부를 확인한다 (소요시간: Harvey 측 응답 속도에 좌우됨)
2026년 9월 23일 기준으로 Tenet의 공식 명칭은 Research Preview이고 GA일은 없습니다. 제품에 아직 반영되지 않았다는 보도가 있지만 원문은 대조하지 못했습니다. 기존 Harvey 고객이라면 연구 미리보기 참여 조건과 적용 시점을 계약 담당자에게 서면으로 받아 두는 편이 안전합니다.
3단계. K3 base로 파일럿을 돌린다 (소요시간: 파일럿 규모에 따라 수일 이상)
Tenet을 당장 쓸 수 없으니 기반 모델인 K3를 API로 먼저 시험합니다. 컨텍스트가 1,048,576토큰이라 긴 계약서 묶음도 한 번에 넣을 수 있습니다. 다만 출력 단가가 1M 토큰당 $15.00으로 입력의 5배입니다. 장문 초안을 생성하는 업무라면 출력 토큰 비용을 따로 계산해야 합니다. 같은 문서를 반복해서 참조하는 작업은 캐시 적중 단가($0.30)가 적용되도록 설계합니다.
4단계. 벤치마크 수치를 조건별로 분리해 읽는다 (소요시간: 짧음, 문서 검토 수준)
오판이 가장 많이 나오는 단계입니다. 같은 "LAB"라는 이름 아래 서로 다른 측정이 섞여 있어서입니다.
| 수치 | 측정 주체·조건 | 모델 |
|---|---|---|
| all-pass 10.8% → 19.7% | Harvey 내부 held-out 과제 | base K3 → Tenet |
| LAB Contracts 9.3% → 11.3% | Harvey 내부 기준 | base K3 → Tenet |
| all-pass 26.7% | Moonshot 발표(AA 도구로 측정한 LAB-AA 기준) | K3 |
| criterion pass rate 94.6% | Artificial Analysis LAB-AA, 비공개 과제 120개·24개 분야 | K3(max), 2위 |
base K3가 한쪽에서는 10.8%, 다른 쪽에서는 26.7%입니다. 과제 구성과 측정 도구가 달라서 두 수치는 나란히 비교할 수 없습니다. "Tenet 19.7%가 K3 26.7%보다 낮으니 오히려 성능이 떨어졌다"는 결론이 성립하지 않는 것도 같은 이유입니다. 의미 있는 비교는 같은 틀 안에서 본 base 대비 Tenet의 개선폭, 즉 all-pass 약 1.8배입니다.
5단계. 외부 벤치마크로 교차 확인한다 (소요시간: 짧음)
Harvey 자체 벤치마크만으로는 판단 근거가 약합니다. 학습에 쓰지 않은 외부 벤치마크에서도 개선이 확인됐는데, Mercor Apex Agents는 58.8%에서 74.0%로, Crosby Redline Bench는 49.3%에서 55.5%로 올랐습니다. 다만 두 결과 모두 Fireworks가 발표한 수치입니다. Tenet의 LAB 점수를 제3자가 잰 결과는 찾지 못했고, Artificial Analysis 리더보드에도 Tenet은 없습니다.
6단계. 거버넌스와 조달 리스크를 검토한다 (소요시간: 조직의 법무·보안 절차에 따라 다름)
TNW는 유럽 로펌이 Tenet을 쓰면 문서화 체인이 베이징에서 시작된다고 지적했습니다. 기반 모델 개발사의 국적이 조달 규정이나 고객사 보안 심사에 걸리는지 미리 확인해야 합니다. SCMP도 이 사례를 OpenAI의 투자를 받은 기업이 중국 오픈웨이트 모델로 방향을 튼 사건으로 보도했습니다.
7단계. 결과 수준에 맞게 역할을 정한다 (소요시간: 짧음)
Artificial Lawyer는 LAB 수치가 20% 이하로 낮은 수준이라고 평가했습니다. 복잡한 법률 과제를 처음부터 끝까지 맡기기엔 이르다는 얘기입니다. 도입 범위는 초안 작성과 1차 검토 보조로 한정하고, 최종 검토는 반드시 사람이 맡도록 업무 흐름을 짭니다.
자주 놓치는 부분
첫째, "오픈웨이트"를 Tenet 가중치 공개로 오해하는 경우입니다. 공개된 것은 Moonshot의 K3 가중치이고, Moonshot은 2026년 7월 27일까지 공개하겠다고 예고했습니다. Tenet 가중치는 공개 여부도 일정도 확인되지 않았습니다. 사내 서버에 Tenet을 직접 올리는 계획은 현재로서는 세울 수 없습니다.
둘째, 비용 절감 수치를 Tenet에 붙이는 경우입니다. "비용 1/10", "90% 절감"은 GLM-5.2와 Qwen3.8-27B 실험의 수치입니다. Tenet의 공개 비용은 base K3와 사실상 같은 수준입니다. "폐쇄형 대비 추론비용 1/4 미만"이라는 표현은 매체 요약에만 있고 공식 자료로는 확인되지 않았습니다.
셋째, SOTA 주장을 독립 검증 결과로 받아들이는 경우입니다. Harvey는 Tenet이 LAB Contracts에서 SOTA를, LAB 전체에서 2위를 기록했다고 주장합니다. 하지만 채점과 과제가 모두 Harvey 자체 기준이고 1위 모델이 무엇인지는 밝히지 않았습니다. ELO 약 +130, 응답의 3분의 2 이상에서 선호됐다는 수치는 검색 요약에만 보이고 원문에서는 찾지 못했습니다.
넷째, 지표 이름을 구분하지 않는 경우입니다. Moonshot이 말한 "the highest result in that evaluation"은 all-pass 기준입니다. Artificial Analysis의 헤드라인 지표는 세부 항목 통과율(criterion pass rate)이고, 이 기준에서 K3(max)는 94.6%로 2위입니다. 1위는 Muse Spark 1.3(xhigh) 95.5%, 3위는 Qwen3.8 Max 93.6%입니다. 같은 모델도 지표에 따라 1위가 되기도, 2위가 되기도 합니다.
다섯째, 학습 규모를 과소평가하거나 과대평가하는 경우입니다. Harvey 부록에 따르면 법률 에이전트 과제 환경 약 1,750개를 만들고, 에포크당 롤아웃을 1만 회 이상 돌렸으며, B300 GPU 약 150장으로 2개월 동안 학습했습니다. 로펌이 비슷한 특화 학습을 직접 하려면 이 정도의 환경 설계와 연산 자원이 기준선입니다. 보상 설계와 비동기 강화학습 구성의 세부 사항은 Fireworks가 "will follow"라고만 해서 아직 공개되지 않았습니다.
| 흔한 오해 | 실제 | 대처 |
|---|---|---|
| Tenet은 오픈웨이트다 | 기반 모델 K3만 공개 | 사내 배포는 K3 기준으로 계획 |
| Tenet이 비용을 1/10로 줄였다 | GLM-5.2 실험 수치 | 원문 표 단위로 대조 |
| 26.7% 대 19.7%로 Tenet이 더 낮다 | 측정 틀이 다름 | 같은 틀의 개선폭만 비교 |
| LAB 2위는 독립 평가 결과다 | Harvey 자체 기준 | AA·Vals 리더보드를 별도 확인 |
체크리스트 정리
- 접근 경로 확인: Tenet은 2026년 9월 23일 기준 Research Preview이고 GA일·가격은 미확인입니다. 당장 쓸 수 있는 것은 K3 base API입니다.
- 라이선스 조항 검토: 외부 서비스라면 MaaS 매출 2천만 달러, 월간 사용자 1억 명, 월매출 2천만 달러 조항을 점검합니다. 내부 사용은 면제입니다.
- 비용 모델 작성: 1M 토큰당 입력 $3.00, 출력 $15.00(2026년 9월 23일 기준)으로 계산하고, Tenet은 과제당 $5.92 대 base $5.62로 사실상 같다는 점을 반영합니다.
- 벤치마크 분리 해석: Harvey 내부 held-out(10.8% → 19.7%)과 LAB-AA(26.7%, 94.6%)를 한 표에 섞지 않습니다.
- 수치 출처 대조: 1/10·90% 절감은 Tenet이 아니라 GLM-5.2·Qwen3.8-27B 실험의 수치입니다.
- 거버넌스 점검: 기반 모델이 중국 개발사 제품이라는 점이 조달·보안 심사에 걸리는지 확인합니다.
- 역할 한정: all-pass 20% 안팎 수준이므로 초안과 검토 보조로 쓰고, 최종 판단은 사람이 맡습니다.
📎 출처 (2026년 9월 23일 확인)
- Harvey, Post-training update: Harvey Tenet — https://www.harvey.ai/blog/post-training-update-harvey-tenet
- Harvey, Introducing Harvey II — https://www.harvey.ai/blog/introducing-harvey-ii
- Fireworks, Post-training Kimi K3 with Harvey — https://fireworks.ai/blog/post-training-kimi-k3-with-harvey-for-long-horizon-legal-work
- Hugging Face, moonshotai/Kimi-K3 모델카드 — https://huggingface.co/moonshotai/Kimi-K3
- Kimi K3 License — https://huggingface.co/moonshotai/Kimi-K3/raw/main/LICENSE
- Kimi, Kimi K3 for Legal Work — https://www.kimi.ai/resources/kimi-k3-for-legal-work
- Kimi API 가격표 — https://platform.kimi.ai/docs/pricing/chat
- Artificial Analysis, Harvey LAB-AA — https://artificialanalysis.ai/evaluations/harvey-lab-aa
- TNW — https://thenextweb.com/news/harvey-tenet-legal-model-kimi-k3-chinese-base
- Artificial Lawyer — https://www.artificiallawyer.com/2026/08/21/harvey-tenet-nashville-legal-innovators/
- SCMP — https://www.scmp.com/tech/tech-trends/article/3364827/openai-backed-legal-tech-firm-pivots-chinese-kimi-k3-open-weight-model
참고 자료
조사 기준일: 2026년 09월 23일
본문의 수치는 아래 자료에서 확인한 것입니다. 제조사 공식 자료(T1)와 전문 매체 실측(T2)을 구분해 표기했습니다. 가격·공급 상황은 변동이 크므로 기준일 이후의 값은 다시 확인해야 합니다.
Tier 1 (확인일 2026-09-23)
- https://www.harvey.ai/blog/post-training-update-harvey-tenet
- https://www.harvey.ai/blog/introducing-harvey-ii
- https://fireworks.ai/blog/post-training-kimi-k3-with-harvey-for-long-horizon-legal-work
- https://fireworks.ai/blog/kimik3-on-fireworks
- https://huggingface.co/moonshotai/Kimi-K3
- https://huggingface.co/moonshotai/Kimi-K3/raw/main/LICENSE
- https://www.kimi.ai/blog/kimi-k3
- https://www.kimi.ai/resources/kimi-k3-for-legal-work
- https://platform.kimi.ai/docs/pricing/chat
Tier 2 (확인일 2026-09-23)
- https://artificialanalysis.ai/evaluations/harvey-lab-aa
- https://www.vals.ai/benchmarks/hlab
- https://thenextweb.com/news/harvey-tenet-legal-model-kimi-k3-chinese-base
- https://www.scmp.com/tech/tech-trends/article/3364827/openai-backed-legal-tech-firm-pivots-chinese-kimi-k3-open-weight-model
- https://www.artificiallawyer.com/2026/08/21/harvey-tenet-nashville-legal-innovators/
- https://www.interconnects.ai/p/kimi-k3-the-open-weights-escalation
- https://www.lawnext.com/2026/09/harvey-raises-another-550m-at-a-15-5b-valuation.html
- https://www.marktechpost.com/2026/08/23/harvey-tenet-post-trained-kimi-k3-legal-agent-model/ (보조 자료. "가중치·API 없음" 서술은 T1으로 교차 확인하지 못함)
'로컬 LLM' 카테고리의 다른 글
| 엔비디아 리플렉션 AI 인수 협상, Beam 오픈웨이트 약속은 지켜질까 (0) | 2026.10.12 |
|---|---|
| 삼성 LPDDR6 vs LPDDR5X 비교: 온디바이스 AI 토큰 속도 차이 정리 (0) | 2026.09.25 |
| 엔비디아 허깅페이스 인수 후 오픈웨이트 모델 어떻게 되나 (0) | 2026.09.09 |
| 로컬 LLM 실행 시 VRAM 부족 해결법: 양자화·KV 캐시·MoE 오프로딩 3단계 (0) | 2026.08.31 |
| VRAM 계산 방법 총정리: 모델 크기와 실사용량이 다른 이유 (0) | 2026.08.31 |