OpenAI đầu tư 11 tỷ USD định giá kỳ lân AI pháp lý, bắt đầu "bọc vỏ" mô hình mã nguồn mở của Trung Quốc

Tiêu đề gốc: 《Công ty kỳ lân AI pháp lý trị giá 11 tỷ USD do OpenAI đầu tư, bắt đầu "khoác áo" mô hình mã nguồn mở của Trung Quốc》
Tác giả gốc: 动察Beating

Ngày 20 tháng 8, công ty AI pháp lý Harvey do OpenAI đầu tư đã ra mắt Tenet. Công ty thành lập năm 2022 này hiện có giá trị 11 tỷ USD, là công ty AI pháp lý có giá trị cao nhất toàn cầu, phục vụ hàng nghìn tổ chức, với danh sách cổ đông bao gồm cả Sequoia, a16z và GIC.

Tenet là bộ mô hình tự có đầu tiên của họ, nền tảng sử dụng Kimi K3 do Moonshot AI mở quyền truy cập vào tháng 7. Tenet hiện vẫn đang trong giai đoạn xem trước nghiên cứu, Harvey dự định sẽ dần đưa các khả năng đã được xác thực vào sản phẩm.

Người sáng lập Harvey, Winston Weinberg, vốn là luật sư tranh tụng tại O'Melveny & Myers, còn Gabe Pereyra từng nghiên cứu mô hình lớn tại Google Brain và Meta. OpenAI đã đầu tư vào công ty này từ rất sớm, sau đó cả hai bên còn cùng nhau huấn luyện một bộ mô hình luật án lệ, đưa khoảng 10 tỷ token dữ liệu luật án lệ của Mỹ vào quá trình huấn luyện. Trong trường hợp khách hàng mà OpenAI công bố lúc đó, Pereyra cho biết Harvey đã đánh giá nhiều phương án khác nhau, cuối cùng chỉ tin tưởng việc hoàn thành đợt huấn luyện tùy chỉnh này cùng với OpenAI.

Trong vài năm qua, công ty này gần như luôn là khách hàng tiêu biểu nhất của các mô hình đóng mã nguồn trong ngành dịch vụ chuyên nghiệp, và luôn có thể truy cập vào nhóm mô hình đóng mã nguồn mạnh nhất toàn cầu. Nhưng khi lần đầu tiên họ quyết định thực sự đưa các nhiệm vụ pháp lý của mình, tiêu chuẩn đánh giá của luật sư và hai tháng sức mạnh tính toán vào một bộ trọng số, nền tảng được chọn lại là một mô hình mã nguồn mở đến từ Trung Quốc.

Sau khi một mô hình được phát hành, ngành công nghiệp sẽ nhanh chóng biết được hai điều. Nó thông minh đến mức nào, và những khả năng đó được bán với giá bao nhiêu. Trong vài giờ, các bản cập nhật benchmark, thay đổi thứ hạng Arena, và các biểu đồ tọa độ về trí thông minh và giá cả bắt đầu lan truyền. Một mô hình được huấn luyện trong nhiều tháng, tiêu tốn rất nhiều sức mạnh tính toán, cuối cùng bị nén thành một điểm trên biểu đồ.

Đối với hầu hết các nhà phát triển, phương pháp này vẫn hiệu quả. Tiền đề đằng sau nó là khi mô hình được giao đến tay người dùng, khả năng của nó về cơ bản đã được định hình. Khi API đóng mã nguồn chiếm ưu thế, tiền đề này là hợp lý. Các công ty mô hình hoàn thành quá trình tiền huấn luyện và hậu huấn luyện, sau đó đóng gói khả năng thành giao diện. Các doanh nghiệp hạ nguồn có thể thay đổi prompt, thực hiện truy xuất, xây dựng tác nhân thông minh, nhưng rất khó để tiếp tục thay đổi bản thân mô hình.

Mã nguồn mở đã phá vỡ tiền đề này. Sau khi doanh nghiệp nhận được trọng số, họ có thể tiếp tục đưa dữ liệu và phản hồi chuyên gia của mình vào, mang các nhiệm vụ thực tế và tiêu chuẩn đánh giá vào quá trình huấn luyện. Cũng là hai mô hình đạt 90 điểm khi phát hành, tiếp tục huấn luyện với cùng một bộ dữ liệu và sức mạnh tính toán, một mô hình cuối cùng dừng lại ở 91 điểm, còn mô hình kia có thể đạt 97 điểm. Đối với các công ty sẵn sàng đầu tư nhiều tháng thời gian, sức mạnh tính toán và nguồn lực chuyên gia, cùng một con số 90 điểm khi phát hành, đã là sự khác biệt trời vực.

Tuy nhiên, điều này có một điều kiện tiên quyết. Doanh nghiệp sẵn sàng đầu tư vài tháng thời gian và một lượng sức mạnh tính toán để tiếp tục huấn luyện, trước hết phải có một bộ trọng số đáng để huấn luyện. Trong vài năm qua, giữa các mô hình mở và các mô hình đóng tiên tiến nhất luôn tồn tại một khoảng cách nhất định, ở các tác vụ hỏi đáp thông thường và viết mã hàng ngày thì chênh lệch không quá lớn, nhưng một khi bước vào các tình huống chuyên môn có chi phí sai lầm cao, khoảng cách này sẽ bị phóng đại. Ngành luật lại là một trong những lĩnh vực có yêu cầu khắt khe nhất, trước đây những mô hình thực sự có thể đi vào hoạt động kinh doanh cốt lõi của các công ty như Harvey, về cơ bản đều là nhóm mô hình đóng có năng lực mạnh nhất thời điểm đó. Trọng số mở tất nhiên dễ kiểm soát và tinh chỉnh hơn, nhưng nếu ngay cả những tác vụ chuyên môn cơ bản nhất cũng không hoàn thành được, thì không gian huấn luyện phía sau cũng chẳng có gì để bàn.

Kimi K3 lần đầu tiên vượt qua rào cản tồn tại lâu nay này. Tổng tham số của nó đạt 2,8 nghìn tỷ, hỗ trợ ngữ cảnh 100 triệu token, và đã có năng lực nền tảng tốt trong các tác vụ dài hạn, sử dụng công cụ và suy luận phức tạp. Đối với Harvey, mô hình trọng số mở lần đầu tiên không còn chỉ là một phương án dự phòng với chi phí thấp hơn và quyền kiểm soát nhiều hơn, mà bắt đầu bước vào phạm vi có thể được đánh giá nghiêm túc cùng với các mô hình tiên tiến.

Vì vậy, họ bắt đầu quan tâm đến một vấn đề hiếm khi được đưa ra thảo luận riêng trước đây: bộ trọng số này rốt cuộc dễ tiếp tục huấn luyện đến mức nào.

Khi huấn luyện Composer 2, Cursor không chọn mô hình theo các bảng xếp hạng tác tử lập trình thông thường. Đánh giá của họ là khả năng tác tử và tác vụ dài hạn sẽ thay đổi rất lớn trong quá trình học tăng cường, thứ hạng trước khi bắt đầu huấn luyện chưa chắc đã dự đoán được kết quả cuối cùng. So với điểm số trên bảng xếp hạng, Cursor chú trọng hơn đến kiến thức lập trình của mô hình, khả năng theo dõi trạng thái, độ perplexity trên kho mã nội bộ, cũng như hiệu suất vận hành trong cơ sở hạ tầng của chính họ. Mô hình nền tảng cuối cùng được chọn là Kimi K2.5.

Cognition, công ty đứng sau Devin, cũng có nhận định tương tự. Sau khi K3 mở trọng số, họ nhanh chóng tích hợp mô hình vào Devin Desktop và CLI, trên bộ kiểm tra FrontierCode 1.1 Extended của riêng mình, K3 đạt 58,2% điểm số và 63,6% tỷ lệ vượt qua. Bộ kiểm tra này đánh giá các tác vụ kỹ thuật thực tế, bao gồm cả việc mã cuối cùng có thể được hợp nhất vào nhánh chính hay không và chất lượng có đạt yêu cầu hay không. Cognition cũng đề cập rằng K3 đặc biệt xuất sắc trong việc tái hiện lỗi và quản lý môi trường chạy của chính nó, hai điều này chính xác là những khâu dễ gặp trục trặc nhất trong các tác vụ lập trình dài hạn. Sau đó, họ cũng tiến hành hậu huấn luyện trên bộ trọng số này.

Thứ thực sự khan hiếm không phải là dữ liệu pháp lý

Harvey đang tăng trưởng rất nhanh. Tháng 3 năm nay, họ phục vụ khoảng 1.300 tổ chức và hơn 100.000 luật sư, chỉ năm tháng sau, số lượng khách hàng đã tăng gần gấp đôi, phủ sóng 70 quốc gia, và hơn ba phần tư số công ty luật trong danh sách AmLaw 100 đều đang sử dụng Harvey.

Dự án dịch vụ pháp lý có giá trị cao, khả năng chịu đựng sai sót rất thấp. Một báo cáo thẩm định M&A có thể phải tìm điều khoản thay đổi quyền kiểm soát từ hàng trăm, thậm chí hàng nghìn tài liệu để đánh giá giao dịch có kích hoạt hay không, sau đó xác định rủi ro và đính kèm căn cứ nguyên văn. Giữa quá trình đó thường có hàng chục phán đoán cần liên tục được xác lập, chỉ cần bỏ sót một vấn đề thực sự ảnh hưởng đến giao dịch, phần lớn công việc đã làm đúng trước đó cũng trở nên kém ý nghĩa.

Khi ngày càng có nhiều công ty luật sử dụng dịch vụ, Harvey cũng tích lũy được loại dữ liệu mà các công ty mô hình nền tảng khó tự mình có được. Nó biết luật sư sẽ bố trí công việc như thế nào, và biết các đối tác nhận kết quả cuối cùng sẽ tìm lỗi ở đâu.

Những kinh nghiệm này sau đó được chuyển thành Legal Agent Benchmark. Hiện đã có hơn 1200 nhiệm vụ pháp lý dài hạn, bao phủ 24 lĩnh vực hành nghề. Mô tả mỗi nhiệm vụ trung bình chỉ khoảng 50 từ, sau đó mô hình sẽ bước vào một môi trường hồ sơ khách hàng khép kín. Tài liệu liên quan bị trộn lẫn với nhiều tài liệu không liên quan, mô hình cần tự tìm kiếm, đọc hiểu, phán đoán, và cuối cùng đưa ra một kết quả công việc có thể được kiểm tra từng hạng mục.

Mỗi nhiệm vụ trung bình có khoảng 50 tiêu chí chấm điểm, nhiệm vụ phức tạp có thể lên đến hàng trăm tiêu chí. Việc sự thật có được tìm đầy đủ hay không, kết luận có thể đứng vững hay không, trích dẫn có khớp với nguyên văn hay không, mức độ rủi ro và đề xuất có hợp lý hay không, đều được tách thành các hạng mục chấm điểm có thể đánh giá riêng lẻ. Một nhiệm vụ có thể kéo dài hơn 1000 vòng, tiêu tốn hàng trăm nghìn token.

Luật sư trẻ sau vài năm làm việc sẽ dần hiểu khách hàng thực sự lo lắng điều gì, và cũng sẽ nhớ những điều khoản trông có vẻ không đáng chú ý nhưng không thể bỏ sót. Những kinh nghiệm này trước đây khó được viết đầy đủ vào giáo trình, phần lớn nằm trong các bản sửa của đối tác, thói quen làm việc nội bộ của đội ngũ, và trong từng bộ hồ sơ đã bàn giao.

Harvey tách một phần trong đó thành nhiệm vụ, tài liệu và tiêu chí chấm điểm, nhờ đó mỗi quá trình hoàn thành công việc của mô hình cũng có được phản hồi có thể tính toán và so sánh.

Prompt và tìm kiếm có thể chỉ cho mô hình biết nơi cần tìm, còn tiêu chí chấm điểm bắt đầu trả lời một câu hỏi khác: một công việc pháp lý rốt cuộc phải đạt đến mức nào mới được coi là hoàn thành. Điều Harvey thực sự tích lũy được trong vài năm qua, ngoài dữ liệu khách hàng và dữ liệu pháp lý, còn có một hệ thống đánh giá chuyên môn có thể sử dụng trực tiếp cho việc huấn luyện mô hình.

Viết kinh nghiệm pháp lý vào trọng số

Những nhiệm vụ và tiêu chí chấm điểm đó bắt đầu thực sự đi vào quá trình huấn luyện, dữ liệu đến từ tài liệu pháp lý công khai, dữ liệu tổng hợp và dữ liệu chuyên gia con người, luật sư hành nghề tham gia xây dựng nhiệm vụ, chấm điểm và rà soát dữ liệu tổng hợp. Harvey đã chuẩn bị tổng cộng khoảng 1750 môi trường nhiệm vụ cho tác nhân pháp lý.

Khi mô hình bước vào không gian làm việc có chứa tài liệu và công cụ, nó phải tự đọc tệp, gọi công cụ và nộp kết quả. Hệ thống sau đó sẽ kiểm tra toàn bộ quỹ đạo làm việc theo tiêu chuẩn do luật sư đặt ra, xem các yêu cầu cụ thể đã hoàn thành đến mức nào và vấn đề pháp lý đã được giải quyết ở mức độ nào. Nếu tất cả các yêu cầu chính đều được thông qua, mô hình còn nhận được phần thưởng bổ sung.

Mỗi chu kỳ huấn luyện tạo ra hơn mười nghìn quỹ đạo nhiệm vụ. Harvey sử dụng chiến lược tối ưu hóa chuỗi nhóm, tức GSPO, cho phép mô hình tạo ra nhiều cách tiếp cận khác nhau cho cùng một nhiệm vụ, sau đó cập nhật trọng số dựa trên sự khác biệt về chất lượng giữa các kết quả. Khi hai quỹ đạo có điểm số quá gần nhau, hệ thống sẽ chấm điểm lại để giảm ảnh hưởng của nhiễu đánh giá đến quá trình huấn luyện.

Toàn bộ quá trình kéo dài khoảng hai tháng, sử dụng khoảng 150 thẻ NVIDIA B300. Việc tiền huấn luyện một mô hình tiên tiến thường cần đến hàng chục nghìn thẻ, nhưng nguồn lực tính toán mà Harvey đầu tư lần này thuộc một quy mô khác. Harvey áp dụng LoRA rank-64, bao phủ các lớp chú ý, mạng truyền thẳng và trọng số chuyên gia định tuyến của Kimi K3, liên quan đến khoảng 500 nghìn tensor chuyên gia.

Huấn luyện quỹ đạo dài còn đối mặt với một vấn đề kỹ thuật. Một nhiệm vụ pháp lý có thể kéo dài hàng trăm vòng, và trong khi mô hình vẫn đang tạo quỹ đạo nhiệm vụ, trọng số ở phía huấn luyện đã được cập nhật. Khi bộ huấn luyện quay lại tính toán quỹ đạo này, nếu trạng thái mô hình ở hai bên không khớp nhau, xác suất tương ứng với từng bước hành động tại thời điểm đó cũng sẽ thay đổi, khiến phần thưởng khó có thể tác động chính xác đến quyết định ban đầu.

Cấu trúc chuyên gia hỗn hợp của Kimi K3 làm cho vấn đề này phức tạp hơn. Mỗi token khi vào mô hình, bộ định tuyến sẽ chọn 16 trong số 896 chuyên gia để tham gia tính toán. Chỉ cần có sự khác biệt nhỏ về độ chính xác số học hoặc cách xử lý theo lô giữa phía huấn luyện và phía thực thi, cùng một token có thể được phân cho các chuyên gia khác nhau, khiến quỹ đạo ban đầu khó có thể tái hiện đầy đủ.

Do đó, Harvey và nhà cung cấp của nó đã căn chỉnh số học ở lớp nhân giữa bộ huấn luyện và môi trường thực thi. Mỗi khi trọng số hoàn tất một lần cập nhật, nó được tải nóng trực tiếp vào môi trường thực thi mà không cần dừng quá trình tạo nhiệm vụ liên tục. Hệ thống cũng ghi lại kết quả định tuyến chuyên gia tương ứng với token, để khi bộ huấn luyện tính toán lại, nó có thể quay về con đường mà mô hình đã đi khi tạo ra quỹ đạo này càng sát càng tốt.

Đến mức này, Tenet không còn giống một lần tinh chỉnh thông thường khi thêm ngữ liệu pháp lý vào mô hình. Harvey đã xây dựng một quy trình huấn luyện có thể chạy lặp đi lặp lại. Các nhiệm vụ pháp lý liên tục được đưa vào môi trường, mô hình hoàn thành công việc, tiêu chuẩn do luật sư đặt ra đánh giá toàn bộ quỹ đạo, trọng số sau đó được cập nhật, và mô hình mới quay lại môi trường để thực hiện vòng nhiệm vụ tiếp theo.

Việc Kimi K3 có thể tiếp tục được huấn luyện ổn định hay không cũng được kiểm chứng thực tế trong vòng lặp này.

Sau khi huấn luyện, nó giống một Agent pháp lý hơn

Điều Harvey thực sự muốn cải thiện là khả năng hoàn thành các tác vụ pháp lý dài hạn của mô hình. Họ áp dụng tiêu chí all-pass rất nghiêm ngặt, trong đó tất cả các tiêu chí chấm điểm quan trọng của một tác vụ phải được vượt qua hoàn toàn. Theo kết quả nội bộ mà Harvey công bố, trên tập dữ liệu giữ lại LAB chưa tham gia huấn luyện, số tác vụ hoàn thành trọn vẹn của Tenet gần gấp đôi so với Kimi K3 gốc, tỷ lệ all-pass tăng từ khoảng 11% lên 19,7%, tăng khoảng 9 điểm phần trăm.

Trong LAB Contracts chuyên kiểm tra soạn thảo, rà soát và đàm phán hợp đồng, số tác vụ hoàn thành tăng khoảng 20%, tỷ lệ all-pass đạt 11,3%, tăng khoảng 2 điểm phần trăm. Theo bảng xếp hạng của chính Harvey, Tenet đứng đầu trong LAB Contracts và đứng thứ hai trong toàn bộ LAB.

Sau đó, họ đưa Tenet vào hai bộ kiểm tra bên ngoài: APEX Agents Corporate Law của Mercor và Redline Bench của Crosby. Bộ đầu tiên mô phỏng các tác vụ chuyên môn dài hạn trong môi trường làm việc, còn bộ thứ hai yêu cầu mô hình liên tục sửa đổi hợp đồng, sau đó chấm điểm theo tiêu chuẩn do luật sư xây dựng.

Tenet chưa từng tiếp xúc với dữ liệu huấn luyện của hai bộ kiểm tra này, nhưng kết quả vẫn cao hơn rõ rệt so với Kimi K3 gốc, cho thấy khả năng rèn luyện trong môi trường tác vụ của Harvey có thể chuyển sang các tác vụ pháp lý mới.

Tuy nhiên, một vấn đề khác là việc huấn luyện chuyên sâu sau đó thường khiến mô hình ngày càng giỏi một loại công việc nhất định, đồng thời đánh mất một phần kiến thức và khả năng suy luận ban đầu.

Trên LegalBench, CUAD và MAUD, Tenet không có dấu hiệu suy giảm rõ rệt. Trong tập con khó của Scale Professional Reasoning Benchmark, điểm số còn tăng nhẹ từ 36,0% lên 36,8%. Ít nhất từ nhóm kết quả này, sau khi Kimi K3 trở nên mạnh hơn trong các tác vụ pháp lý, không xuất hiện vấn đề quên kiến thức đáng kể.

Thiết kế phần thưởng của Harvey sẽ ưu tiên các quỹ đạo ngắn hơn khi chất lượng kết quả gần nhau, vì mỗi lần agent pháp lý đọc thêm một tài liệu hoặc gọi thêm một công cụ đều làm tăng mức tiêu thụ token và thời gian chờ đợi. Sau khi huấn luyện, Tenet giảm được một phần các bước không hiệu quả, chất lượng tác vụ tăng lên trong khi chi phí hoàn thành công việc về cơ bản vẫn ổn định.

Lần tinh chỉnh sau huấn luyện này thay đổi nhiều hơn ở cách Kimi K3 xử lý các công việc pháp lý phức tạp. Nó biết sắp xếp các bước, gọi công cụ tốt hơn, và ít bỏ sót các yêu cầu quan trọng trong nhiệm vụ hơn.

Harvey đã áp dụng chiến lược đa mô hình từ năm 2025, và năm nay vẫn tiếp tục tích hợp các mô hình mới từ OpenAI và Anthropic. Tenet lần đầu tiên đưa vào hệ thống này một bộ mô hình trọng số mở do chính Harvey tự huấn luyện và kiểm soát.

Nó cần một bộ mô hình có nền tảng vốn đã vững chắc. Các nhiệm vụ pháp lý của Harvey có thể phải xử lý lượng lớn tài liệu, thực hiện liên tục hàng trăm thậm chí hàng nghìn vòng thao tác, và mô hình phải duy trì trạng thái trong suốt quá trình làm việc dài. Huấn luyện sau có thể tiếp tục định hình cách nó xử lý công việc pháp lý, nhưng rất khó để bổ sung từ đầu những năng lực mà nền tảng vốn không có.

Một điều kiện khác là quyền kiểm soát. Harvey có thể gọi GPT và Claude qua API, nhưng không thể tiếp tục ghi 1750 môi trường nhiệm vụ pháp lý và tiêu chuẩn đánh giá của luật sư vào các mô hình mã nguồn đóng này. Trọng số mở cho phép nó tự quyết định cách huấn luyện, cách thiết kế phần thưởng, và cũng có thể giữ lại năng lực chuyên môn đã huấn luyện trong trọng số mà mình nắm giữ.

Tuy nhiên, sau khi có được trọng số, vẫn cần đánh giá xem bộ mô hình này có phù hợp để tiếp tục huấn luyện hay không. Liệu học tăng cường quỹ đạo dài có thể chạy ổn định không, định tuyến hỗn hợp chuyên gia có tái hiện chính xác không, sau khi nâng cao năng lực chuyên môn có làm mất kiến thức gốc không, chi phí suy luận có thể kiểm soát trong phạm vi khả thi cho sản xuất không — tất cả đều phải thử nghiệm thực tế mới biết được.

Sau khi Tenet chạy được hai tháng, Kimi K3 đã đưa ra câu trả lời cho vòng này. Quá trình huấn luyện có thể chạy ổn định, năng lực xử lý nhiệm vụ pháp lý tăng trưởng rõ rệt, không thấy hiện tượng quên kiến thức đáng kể, và chi phí cũng không mất kiểm soát cùng với hiệu quả.

Đối với Harvey, những kết quả này quan trọng hơn chính bản thân "trọng số mở". Trọng số có thể tải xuống chỉ cho thấy doanh nghiệp có tư cách tiếp tục huấn luyện. Sau khi huấn luyện còn giữ lại được bao nhiêu năng lực mới quyết định liệu bộ mô hình này có đáng để tiếp tục đầu tư sức mạnh tính toán, dữ liệu và thời gian chuyên gia hay không.

Một mảng kinh doanh khác của các công ty mô hình

Harvey cho biết mục tiêu của họ là giúp các công ty luật có thể huấn luyện mô hình độc quyền của riêng mình trên nền trọng số mở, và sở hữu năng lực hình thành sau khi huấn luyện. Tenet giao ra không chỉ là một bộ mô hình, mà đúng hơn là một phương pháp tiếp cận.

Trước đây, hoạt động kinh doanh của các công ty mô hình nền tảng chủ yếu diễn ra trong các lần gọi API sau khi mô hình được phát hành. Trọng số mở mang lại một mối quan hệ khác: một công ty có thể lấy mô hình nền tảng có sẵn để tiếp tục huấn luyện, ghi kiến thức ngành của mình vào trọng số, và cuối cùng có được một bộ mô hình gần gũi hơn với hoạt động kinh doanh của chính mình.

Loại nhu cầu này trước đây rất khó hình thành một thị trường thực sự. Khi năng lực của mô hình phổ thông chưa đủ mạnh, các công ty chuyên ngành dù có được trọng số (weights) cũng khó chỉ dựa vào huấn luyện bổ sung để bù đắp khả năng suy luận dài hạn, gọi công cụ và xử lý tác vụ phức tạp. Tự tiền huấn luyện từ đầu lại quá đắt đỏ, hầu hết các công ty không cần thiết phải làm điều đó.

Cursor đã huấn luyện ra Composer 2 trong lĩnh vực lập trình, Cognition cũng tiếp tục huấn luyện mô hình dùng cho Devin trên cùng bộ trọng số, còn Harvey lại tạo ra Tenet trong lĩnh vực pháp lý. Lập trình và pháp lý cách xa nhau, nhưng đều chọn xuất phát từ năng lực phổ thông mà Kimi đã huấn luyện sẵn, rồi tiếp tục đưa vào những công việc chuyên môn mà họ am hiểu nhất.

Tenet cũng khiến rào cản của việc này trở nên cụ thể. Hai tháng, khoảng 150 card đồ họa, cùng một bộ tiêu chí đánh giá do luật sư hành nghề định nghĩa, một công ty có thể đưa bộ trọng số phổ thông lên vị trí tiên phong trong ngành của mình. Rào cản về sức mạnh tính toán đã giảm xuống một bậc độ lớn, phần khó sao chép hơn bắt đầu chuyển sang đầu bên kia: liệu có ai có thể nói rõ, một công việc chuyên môn đạt đến mức độ nào mới được coi là hoàn thành.

Phát triển phần mềm và pháp lý chỉ là hai trường hợp đã xuất hiện. Tài chính, tư vấn, dược phẩm, kế toán, cùng nhiều ngành dịch vụ chuyên môn khác, đều có dữ liệu, quy trình làm việc và phán đoán chuyên gia riêng. Những ngành này tự thân là thị trường lao động tri thức với quy mô hàng nghìn tỷ đô la. Các công ty hàng đầu trong đó chưa chắc sẽ tự tiền huấn luyện mô hình nền tảng, nhưng ngày càng có điều kiện để tiếp tục huấn luyện mô hình riêng trên một bộ trọng số trưởng thành.

Nếu con đường này tiếp tục đứng vững, thị trường mà Kimi đối mặt không còn chỉ là có bao nhiêu người gọi nó. Điều đáng chú ý tiếp theo là, sau Harvey, Cursor và Devin, sẽ còn bao nhiêu công ty chọn huấn luyện mô hình của riêng mình trên Kimi.

Liên kết bài gốc

Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:

Nhóm Telegram đăng ký: https://t.me/theblockbeats

Nhóm Telegram thảo luận: https://t.me/BlockBeats_App

Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia