Harvey与OpenAI合作，为法律专业人士构建了一个定制训练的案例法模型。该模型是具有复杂推理、广泛领域知识以及超越单一模型调用能力的任务的AI系统，如起草法律文件、回答复杂诉讼场景问题以及识别数百份合同之间的重大差异。
Harvey公司由具有反垄断和证券诉讼背景的律师温斯顿-温伯格（Winston Weinberg）和人工智能研究员加布-佩雷拉（Gabe Pereyra）共同创立，加布-佩雷拉曾为谷歌大脑（Google Brain）和 Meta 公司开发大语言模型（LLMs）。他们看到了使用LLMs综合信息并呈现给律师审查的机会。
在案例法研究方面，Harvey的团队设想了这样一种体验：你可以将客户问题复制粘贴进一个案例法模型，它会彻底回答这个问题并引用所有来源。他们首先尝试了明显的技术，如通过公共API微调基础模型和构建检索增强生成(RAG)系统。但他们遇到了独特的复杂、开放式用例的限制。
Harvey决定与OpenAI合作，建立一个定制训练模型，使他们能够将新知识和关于这些知识的推理方式注入基础模型。他们从德拉瓦州的案例法开始，然后扩展到包括所有美国案例法。他们向定制训练的案例法模型中添加了相当于100亿令牌的数据。
过去一年里，Harvey已经成为法律、税务和金融专业人士的安全生成式AI平台。他们的团队增长到100多人，2023年的收入增长了10倍以上，他们刚刚获得 Elad Gil、Kleiner Perkins、OpenAI 和红杉 8000 万美元 B 轮融资，估值7.5亿美金。
功能特点
- 复杂推理能力： 模型具备处理需要复杂推理的任务的能力，这对于法律专业人士尤为重要，因为他们的工作经常涉及解决高度复杂的问题。
- 广泛的领域知识： 通过定制训练，模型获得了覆盖广泛法律领域的知识，能够理解和处理与法律相关的各种查询和任务。
- 文档起草和审查： 模型帮助法律专业人士起草和审查法律文档，显著提高了工作效率。
- 复杂诉讼场景分析： 能够回答关于复杂诉讼场景的问题，包括识别合同间的重大差异等。
- 高度准确且相关的结果： 相比传统模型，该定制模型能够提供更准确、更相关的法律信息和解决方案，并确保每个句子都有明确的来源引用。
训练方法
- 合作与知识共享： Harvey与OpenAI紧密合作，结合法律专业知识与AI技术。Harvey的律师和研究人员与OpenAI的团队共同探讨案例法研究的工作方式，并将这些知识应用于模型训练。
- 数据注入： 从德拉瓦州案例法开始，最终扩展到全美案例法，向模型注入了相当于100亿令牌的数据量，帮助模型深入理解法律领域的知识和逻辑。
- 定制训练： 采用定制训练方法，超越了传统的检索增强生成系统(RAG)和通过公共API进行的基础模型微调，使模型能够整合新的知识和推理方式。
评估结果
为了测试案例法模型，Harvey与十家最大的律师事务所合作。他们向律师提供了定制案例法模型输出与相同问题的GPT-4输出的并排比较。结果，律师们对案例法模型的输出更加青睐，这是因为它提供了更长、更完整的答案，更深入地探讨了问题的细节，并涵盖了更多相关的案例法。
通过建立定制模型，Harvey减少了幻觉问题，并实现了与来源引用相关的高度准确结果。他们渴望将这一模型推广给更多用户，并探索如起草简报和动议，或帮助律师理解不同司法管辖区案例法如何变化等其他应用。
-
强烈的偏好选择： 当Harvey与十家最大的律师事务所合作进行模型测试时，律师们对比了定制案例法模型的输出与GPT-4对相同问题的输出。结果显示，在97%的情况下，律师们更倾向于选择定制案例法模型的输出。这一强烈偏好主要是因为定制模型提供的答案更长、更完整，更深入地探讨了问题的细节，并覆盖了更多相关的案例法。
-
答案的深度和完整性： 定制模型的输出不仅仅是回答问题，而是提供了长篇、完整的解答，深入到问题的各个细节，并广泛涵盖相关的案例法，这对法律专业人士来说极具价值。
-
减少幻觉（Hallucination）： 减少幻觉是Harvey建立定制模型的一个主要动机。测试结果证明，定制模型不会编造案例，每一句话都有确切的案例引用支持，这大大提高了信息的可靠性和准确性。
Harvey的下一步重点是代理，或者如何将多个模型调用组合成一个单一的工作输出。这将简化用户体验，减少用户需要进行的提示工程和打字。Harvey的愿景是成为团队的支持成员，随着法律工作量的增长，助理们在复杂但常规的任务上花费了无数小时，我们拥有的机会不仅仅是法律，而是所有专业服务，即处理常规任务，以便专业人士可以将时间集中在客户互动上。
详细：https://openai.com/customer-stories/harvey
Harvey官网：harvey.ai
