Great post on what post training looks like for applied AI use-cases to bring down costs and improve accuracy on certain tasks. This will increasingly be an approach that companies that can get closer to the underlyin…

事件核心：发生了什么

8 月 21 日，法律 AI 公司 Harvey 的研究团队在 X 上发布了他们在“后训练（post-training）”阶段的最新进展，核心目标是构建“前沿法律智能”。Harvey 团队提到，通过奖励塑形（reward shaping）来激励模型高效使用工具和推理，优先选择在推理阶段消耗更少 token 的路径，在同等性能下保持成本稳定。Box CEO Aaron Levie 转发了这篇文章并评论称，这展示了“为应用型 AI 场景进行后训练”的实际做法，能够在特定任务上降低成本并提高准确性。

为什么重要

Levie 的判断是，这种路线会逐渐成为那些能深入企业工作流的公司的选择。核心逻辑在于：当一家公司对某个垂直领域有足够深的理解，并且有大量同类型的任务积累，就有理由针对该场景专门设计和训练模型，而不是继续依赖通用大模型。Harvey 透露的做法是“同时优化成本和质量的权衡”：在推理阶段减少 token 消耗但保持效果不降，相当于对模型的使用效率做了精细调优。这代表了一条与“更大更强的通用模型”不同的技术路线——它更关注如何在特定任务上把成本降下来、把效果提上去。Levie 也指出，这不适用于所有领域，通用前沿闭源或开源模型在很多场景下已经足够使用或必须使用，但当企业拥有足够垂直的专业性和任务规模时，定制模型会变得非常有价值。这给做应用型 AI 的公司提供了一个明确的差异化路径。

对用户/开发者/创作者的影响

对企业采购方来说，这条路线意味着未来可以期待更贴合业务、推理成本更低的行业专用模型出现，而非只能在通用 API 的“效果-价格”间做权衡。对开发者而言，Harvey 展示的“后训练”调优能力提示了一个新的技能方向：了解如何通过奖励塑形来约束模型行为和优化推理开销。对于依靠通用模型 API 构建产品的团队来说，Levie 的评论也提示了另一个信号——当你的任务足够标准化、数据积累足够多时，做专用模型就会比“按 token 付费调用通用大模型”更具竞争力。需要注意的是，这种策略本身有门槛，不是所有场景都值得走这条路。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

目前公开信息显示，Harvey 的这项后训练成果仍然主要面向法律垂直领域，值得观察的是它是否会形成可对外输出的服务或方法论。另外，Levie 提到的“对特定任务做专用模型”是否会被更多企业级 AI 公司采纳，尤其是那些在垂直场景有数据积累的公司，这将是判断行业趋势是否从“通用”走向“专用+定制”的关键信号。还可留意的是，这种偏好较少 token 消耗的训练方式，是否会在未来成为大模型服务商在设计 API 时考虑的默认指标。

来源：Follow Builders · X · Aaron Levie