专注于为法律专业人士开发人工智能工具的Harvey AI公司今日宣布,已完成2.5亿美元的C轮融资。
本轮融资由回归投资者新加坡政府投资公司GIC和红杉资本共同领投。红杉资本此前也共同领投了Harvey的前两轮融资。参与本轮投资的还包括Andreessen Horowitz、Coatue、Conviction Partners、Elad Gil、Evantic和Kleiner Perkins等机构,本轮融资使这家软件公司的估值达到110亿美元。
律师在起草新法律文件之前通常需要审查大量监管文本。Harvey提供了一个AI助手,能够自动查找相关立法和先例,并提取关键信息。它还通过生成法律文件的初始版本来协助起草过程。
寻找现有文件中的改进空间是该助手可以自动化的另一项任务。例如,律师可以让AI检查合同是否符合行业特定法规的最新更新。
需要更高级文件审查功能的法律团队可以使用Harvey的另一个工具Vault。据公司介绍,它可以对多达100,000份文件进行分析。
当一家公司对另一家企业提起诉讼时,律师经常通过一个称为证据开示的过程从被告系统中收集证据。Vault可以自动整理在证据开示期间收集的文件,以便于分析。同时,零售商可以将一套供应商协议上传到Vault,并要求它检查这些协议是否都包含其产品联合营销条款的最新版本。
Vault还可作为整理知识产权(如文件模板)的工具。访问控制功能使律师事务所能够规范哪些员工可以使用什么文件。
Harvey还承诺简化法律团队工作的其他几个方面。除了内置的自动化功能外,其平台还提供来自500多个来源的监管文件等数据访问。律师可以将这些数据与他们在Google Drive等服务中保存的内部信息相结合。
本月早些时候,Harvey推出了一个工具,使客户能够在其平台上构建定制AI智能体。例如,律师事务所可以创建一个智能体,根据内部样式指南生成文件摘要。Harvey表示,客户创建的自动化工作流程还可以完成更复杂的多步骤任务。公司的工程师协助用户进行智能体开发过程。
Harvey表示,迄今为止已有超过25,000个智能体在其平台上构建。公司将利用C轮融资的收益来增强其定制智能体功能,并扩大支持客户AI工作的嵌入式工程团队。
Q&A
Q1:Harvey AI是做什么的?
A:Harvey AI是一家专注为法律专业人士开发人工智能工具的创业公司,提供AI助手帮助律师自动查找相关立法和先例、提取关键信息、起草法律文件,以及检查文件合规性等功能。
Q2:Harvey的Vault工具有什么特殊功能?
A:Vault是Harvey提供的高级文件审查工具,可以分析多达100,000份文件,自动整理证据开示期间收集的文件,检查供应商协议等文件的合规性,还可以作为整理知识产权和文件模板的工具。
Q3:Harvey平台上可以构建多少个定制智能体?
A:根据Harvey公司的数据,目前已有超过25,000个智能体在其平台上构建,客户可以创建定制智能体来生成文件摘要、完成多步骤自动化任务等,公司工程师会协助用户进行智能体开发。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。