「Harvey 选了中国底座」——110 亿美元独角兽押注 Kimi K3，把「美国 AI 产品中国造」推上风口

北京时间 2026-08-27 09:00 · 智柴 AI 推送 · AI 产业经济学栏目

图片来源：Harvey 官方 8-20 X 公告 + 21 世纪经济报道 8-24 头版头条

一句话警语

一家 OpenAI 创业基金领投过种子轮的硅谷独角兽，第一次自己训练模型，没有用 GPT，没用 Claude，也没用 Gemini——它下载了月之暗面的开放权重 Kimi K3，自己训了一个法律专精模型。

这家公司叫 Harvey。估值已经从 2026 年 3 月的 110 亿美元涨到正在谈判的 155 亿美元。客户涵盖全球 50 家 AmLaw 100 律所、汇丰、普华永道、KKR，单月 token 消耗量 12 万亿到 13 万 亿。它之所以「断舍离」OpenAI/Anthropic，不是因为闭源模型不够强——而是因为 「自己的成本控制权和战略自主权」 比单次最强的 API 调用更重要。

这件事单独看是商业新闻，但放回过去半年的产业链节奏看，它是 「中国开源大模型从硅谷竞争对手位移到美国 AI 产品基础设施」 这场静悄悄革命的旗帜性事件。Cursor 用 Kimi K2.5 训出了 Composer 2，Devin 用 Kimi K2.7 训出了 SWE-1.7，英国公司 Cosine 用 K2.6 训出了 Lumen Outpost，连 OpenAI 前 CTO Mira Murati 创办的 Thinking Machines 都在用 Kimi K2.5 的合成数据启动 SFT 训练。Harvey 用 K3 训出了 Tenet，是这场接力里最新、也是最戏剧化的一棒。

📜 一封邮件、四年估值 50 倍

要把 Harvey 选中国底座这件事看清楚，得先回到它的身世。

故事起点是 2022 年 7 月 4 日。那天，27 岁的 Winston Weinberg——O'Melveny & Myers 律师事务所的初级诉讼律师——给他的室友 Gabe Pereyra（前 Meta 机器学习工程师、曾在 DeepMind / Google Brain / Meta AI 做过研究科学家）发了一封邮件，附了三组实验数据。Weinberg 在 Reddit 法律版块挑了约 100 个真实的房东租户纠纷问题，编写思维链提示词后交给 GPT-3 生成答案，然后把答案交给三位专业律师盲审——86% 的答案被评定为「可不做修改直接使用」。

当天下午，这封邮件就转到了 OpenAI CEO Sam Altman 和总法律顾问 Jason Kwon 的桌上。OpenAI 创业基金最终以 500 万美元领投了 Harvey 的种子轮，从此 OpenAI 几乎没有缺席 Harvey 每一轮融资，Harvey 也早早获得了 GPT-4 的优先使用权。

这是一段近乎完美的「OpenAI 亲儿子」叙事。但商业模型从来不是叙事的延伸——而是叙事的反面。

2025 年 8 月，Harvey ARR 突破 1 亿美元；2025 年底达到 1.9 亿美元；2026 年 5 月冲至约 3 亿美元——九个月翻了 3 倍。客户从 2025 年 8 月的约 500 家扩张到 2026 年 3 月的超过 1300 家、覆盖 20 多万名律师。净收入留存率 167%，总收入留存率 98%——这意味着客户不但不流失，还在疯狂增购。每月处理 12 万亿到 13 万亿 token，超过 25,000 个定制 AI Agent 在客户组织中实时运行。

按 Peregrya 事后的内部全员会上的话说：「今天卖你 API 的人，明天就坐在你客户的会议室里。」

这句话的背景是 2025 年秋天，OpenAI 悄然挖走了合同生命周期管理独角兽 Ironclad 的创始人 Jason Boehmig，任命其领导 OpenAI 内部新组建的「法律行业解决方案」部门——Ironclad 正是用 AI 帮助律所和企业法务部门自动审合同的，几乎同一时间 Anthropic 默默上线了面向律师的文档审查插件。Harvey 的两家最大供应商开始做它的客户。

至此，Harvey 明白了：API 调用模式的成本终有一天会大到吞掉它的毛利，而「未来竞争对手就坐在上游」这件事，意味着 Harvey 必须拥有自己的模型。

💰 为什么不是 GPT、不是 Claude、不是 Gemini，而是 Kimi K3

Harvey 的选择不能用「便宜」两个字打发过去——它是在估值 110 亿美元、客户深度绑定闭源模型的前提下，主动换掉整个底座。这个决定的算账逻辑分三层。

第一层：每 token 成本是 1/4 到 1/10。

Harvey 自己披露的数字是：Tenet 的运行成本不到主流前沿闭源模型的 1/4。在内部测算中，处理单位法律任务的成本甚至可以压到 GPT-4 的 1/10。这个成本差有两个来源：

1. Kimi K3 本身是开放权重——按 token 计费的下限本来就比闭源 API 低一个数量级（开放权重意味着 Harvey 把模型部署在自己的基础设施上，不需要为每一 token 付「上游利润税」）；
2. Tenet 在 RL 训练里做了 reward shaping——奖励函数惩罚「不必要的超长推理路径」，让模型学会「用更少 token 达到同等质量」。Harvey 报告说训练后 token 消耗在等效任务下显著下降。

第二层：1M 上下文与 MoE 架构适配法律工作负载。

法律工作有几个非常特殊的负载特征：

• 超长上下文：跨境并购的尽调可能涉及数千份合同、判例和监管文件，单个任务上下文经常达到 80M token 量级——Harvey 公开数据中 M&A 尽调任务的最大上下文为 8000 万 token；
• 混合判断：律师的任务不是单一类问题，是「找到风险点 + 给出引用 + 形成可用交付物」的复合过程；
• 预算敏感：客户的每份合同都要付审阅费，AI 帮律师加速就要帮客户省钱。

Kimi K3 是 2.8 万亿参数的混合专家（MoE）模型，原生支持 100 万 token 上下文、原生多模态。MoE 的稀疏激活机制让模型在长上下文任务中只激活相关专家，推理成本被稀疏激活「打折」——这是它天然适合法律工作负载的工程基础。

第三层：战略自主权。

这一点往往被低估。Harvey 的客户是顶级律所和大型企业法务部，他们对数据主权、模型可解释性、合规审计的要求远超普通 AI 应用。开放权重意味着 Harvey 可以：

• 把模型部署在客户自己的基础设施上（数据不出域）；
• 自己定义模型卡和评估体系；
• 不用等上游模型公司的发布节奏，自己迭代；
• 未来可以让单个律所基于 Tenet 继续训练自己的「所内知识库」——这是闭源 API 永远做不到的事。

🛠️ Tenet 怎么训的：异步强化学习 + 200 位律师教练 + 1750 个沙盒

Tenet 不是「把法律语料塞进去做 SFT」这种典型做法。Harvey 团队换了个思路——让模型像一个初级律师一样「干活」，然后用专家的红笔一条条批改。

基座与训练伙伴：基座是 Moonshot AI 的 Kimi K3；训练伙伴是 Fireworks AI（提供异步 RL 基础设施）；外部数据合作方包括 Mercor 和 Snorkel（提供律师标注能力）。Harvey 自己声明：任何客户数据都没有被用于训练。

训练数据组成：

• 公开可用的法律材料；
• Fireworks 与 Harvey 共同构造的合成数据；
• 200 多位来自不同律所的执业律师，每周抽出十几小时，虚构真实业务情境——比如「一家科技公司要收购另一家拥有专利纠纷的竞争对手，时间只有三周，尽调团队只有四个人」——然后把模型丢进这些场景，让它像真正的初级律师一样，自己去查资料、筛风险点、起草尽调报告、拟定交易条款。

沙盒任务结构：每个任务都按真实律所的工作流组织：

• 一段「合伙人级指令」（平均约 50 字）；
• 一个客户事项（关键文件和外围文件混合）；
• 一份「专家评分卡」——约 50 个原子级 pass/fail 标准，复杂任务可达数百个；
• 单次 rollout 可超过 1,000 轮；
• LLM-as-a-judge 评判（Harvey 报告 ablation 选定 Kimi 2.6 作为评判模型）。

训练方法：异步强化学习 + group-sequence policy optimization (GSPO)，用 rank-64 LoRA over 完整 Kimi K3 网络，每 8 个任务组 × 每组 8 个 rollout 为一个优化步，跨 ~1,750 个环境、每个 epoch >10,000 rollout。Fireworks 在 kernel 层共构了 trainer 与 rollout 部署，用 token-in-token-out + router replay 保持大 MoE 在训练与推理之间的数值对齐。

训练算力：约 150 块 NVIDIA B300 GPU，跑了约两个月。与传统预训练动辄数亿美元、烧大半年相比，Tenet 的训练成本连零头都不到。

📊 成绩单：基准、内部、跨基准三段式核验

Tenet 的成绩单要分三段读，否则容易被「自吹报告」误导。

第一段：Harvey 自家的 LAB 基准（内部）

LAB（Legal Agent Benchmark） 是 Harvey 开源的法律代理基准，超过 1200 个长时程法律代理任务，覆盖 24 个执业领域。Tenet vs Kimi K3 基座：

• LAB 全任务完成数：近 2 倍（all-pass rate +9 个百分点）；
• LAB Contracts（合同专项）：+20% 完成数（all-pass rate +2 个百分点）；
• Tenet 在 LAB Contracts 上拿 SOTA，在 LAB 上排第二。

「注解」：所谓「LAB Contracts」和「LAB Diligence」是 Harvey 把 LAB 切成两块的子基准。Contracts 聚焦合同审查与修订，Diligence 聚焦并购尽调。两者对模型能力的要求完全不同：合同审查要准、要稳、要尊重每一个条款；尽调要长上下文、要遍历多文件、要发现隐藏风险。

第二段：跨基准的迁移能力

Harvey 报告说 Tenet 在 Mercor 的 APEX Agents（公司法子集）、Crosby 的 Redline Bench、Scale 的 PRBench hard 子集——这些它从未在训练中见过的基准——同样有提升。具体数字：

• APEX Agents Corporate Law：显著提升；
• Redline Bench：显著提升；
• PRBench hard：从 36.0% → 36.8%（Harvey 自己声明这一提升「在统计上不显著」）。

跨基准迁移是 Tenet 真正重要的成绩——它意味着训练不是过拟合到一个内部基准上，而是学到了可迁移的法律工作能力。

第三段：知识类基准未回归

Harvey 同时报告：LegalBench、CUAD、MAUD 等知识类法律基准未出现回归。这一点对 RL 微调至关重要——它说明 Harvey 在做窄域 RL 训练时，没有把通用法律推理能力给「烧掉」。

🧠 三个专才模型：M&A 尽调、Review Table、Firm Knowledge

Tenet 不是一个孤立的模型——Harvey 同时后训练了三个专才模型，让 Tenet 可以在执行中作为「主代理」调用它们。

M&A 尽调：基于 LAB Diligence 基准，单个任务上下文可达 8000 万 token，没有基线模型能超过 43.8% 的 pass rate。Harvey 与 Baseten 合作，构建了一个「Recursive Language Model」架构——根代理把整个数据库 hold 在一个 REPL 里，把子任务分发给子代理。GLM-5.2 编排器单独就能拿到 46.1% 的通过率；进一步微调后达到 60.1%。

Review Table：基于 GLM-5.2 后训练，答案质量 +3.6 分、引用质量 +12.1 分，每格成本降到约 1/10，并在问题不适用时主动 abstention（拒答）。

Firm Knowledge：基于 Qwen3.8-27B 后训练——把约 1 亿 token 的客户历史事项压缩成结构化记忆。pass rate 提升 15%+，每个完成轨迹的 token 消耗下降 58%，单查询成本下降约 90%。

「注解」：所谓「Recursive Language Model（RLM）」是一种把长上下文从「一次性送进模型的窗口」位移到「模型在 REPL 里按需读取」的研究方向。它用代码 REPL 作为「外部记忆」，让模型不必把所有文档塞进上下文窗口，而是在需要时调用工具去取。这对法律尽调这种「上下文极长 + 多数信息与当前任务无关」的场景是天然契合。

三个专才模型 + Tenet 主代理 + Recursive Language Model 架构——Harvey 等于在 Tenet 之上搭了一个「法律代理操作系统」，这才是它真正的护城河。

🌍 半年四代 Kimi 接力出海：从打擂台到盖毛坯房

把镜头拉远，Harvey 只是 Kimi 出海接力赛里最新的一棒。

K2.5 → Cursor Composer 2（2026 年初）：Cursor 是这波美国 AI 创业潮里最风光的编程工具公司之一，估值数百亿美元，平时还大量使用 Anthropic 的 Claude。年初它发布自家模型 Composer 2 时，主打开源、便宜、快，却没有主动交代模型来历——月之暗面的官方账号随后发文「认领」，指出 Kimi K2.5 被整合进了 Composer 2 的预训练和强化学习；Cursor 之后在技术报告中确认了这一点，后续的 Composer 2.5 仍继续沿用同一底座。

K2.6 → Cosine Lumen Outpost（英国）：Cosine 专门维护银行、航空公司和大型企业仍在使用的古老代码——AI 不能像写新代码那样「瞎生成」，必须让模型学会减少难以维护的垃圾代码、主动解决问题、少说废话。Cosine 用 K2.6 训出了专攻「老代码维护」的 Lumen Outpost。这家公司体量远不如 Cursor，但它的算盘更现实——小公司没钱与 OpenAI、Google 竞争，那就拿现成的中国底座，集中训练客户愿意付钱的某一类问题。

K2.7 → Devin SWE-1.7（2026-07-08）：Devin 曾被称为「全球第一位 AI 程序员」，是硅谷 AI Agent 早期最受瞩目的明星产品。Cognition 在发布 SWE-1.7 时公开写明——底座是 Kimi K2.7。其在专有基准 FrontierCode 上推进了性价比 Pareto 曲线，得分 45、Opus 4.8 = 45、GPT-5.5 = 40——和闭源顶流持平，成本却只要 1/4。

K2.5 → Thinking Machines Inkling：Mira Murati（前 OpenAI CTO）创办、估值超过 120 亿美元的 Thinking Machines，一方面参考 DeepSeek V3 做模型架构，另一方面使用 Kimi K2.5 生成的合成数据启动监督微调——合成数据这一招让「即使没有中国底座，中国数据也会渗入美国前沿模型」的范式正式成立。

K3 → Harvey Tenet（2026-08-20）：这是接力赛里最戏剧性的一棒，因为 Harvey 是估值 110 亿美元的 OpenAI 系独角兽，它的「换底座」等于公开宣告——OpenAI 的资本关系压不住它的成本结构。

🌐 平台数据：OpenRouter 占比从 1.2% 到 30%

接力赛不是孤立事件，平台数据有更宏观的佐证。

OpenRouter——全球最大的 LLM API 路由平台之一——上中国开源模型的 token 流量份额，一年时间从约 1.2% 升到了约 30%。token 是模型计量的最小单位，可以粗略理解为「字数用量」。要注意，这只是一个平台的流量口径，不等于整体市场份额。

a16z 合伙人 Anjney Midha 的估计更激进：约 80% 的顶尖美国 AI 公司在用中国开源模型。这个数字没有公开统计方法，但被反复引用——这本身就是风向标。

Vercel AI Gateway 8 月发布的生产指数显示：从 Kimi K3 上线首周到 7 月最后一周，K3 日 Token 调用量增长约 3 倍；Kimi 全系 Token 量 7 月增长超过 4 倍。

GitHub Copilot 在 2026 年 8 月 6 日 宣布 K3 正式可用——逐步覆盖 Visual Studio Code、Copilot CLI、云端 Agent、GitHub 网页端。Copilot 目前拥有超过 2000 万用户——意味着这款中国模型不再只是开发者自发尝试的新奇选项，而是第一次以「默认可选」的姿态进入了全球最大规模开发者的日常环境。

Arena 8 月 19 日 公布的全带代码能力榜单：Kimi K3 以 1660 分位列第二，仅次于 Claude Opus 5 的 1699 分——在这项最贴近真实开发场景的评测里，K3 与榜首的差距只有约 1%。

🏛️ 硅谷正在重新相信开源：但「理由」和「三年前」不同

Harvey 选择中国底座不是孤立行为，它背后是硅谷对「开源模型」的态度正在发生结构变化。

三年前：Meta 押注 Llama，Google 有 Gemma，NVIDIA 推进 Nemotron——但 OpenAI、Anthropic 仍把最强模型锁在 API 后。原因很简单：模型是核心产品，把最强模型开放出去等于主动把最赚钱的护城河交出去。

2026 年：这个逻辑正在松动。一个明显信号是 OpenAI 自己也开始推出开放权重模型 GPT-OSS——这意味着即使是过去最坚定的闭源模型公司，也开始承认：在某些场景里，开放权重不是「低配替代品」，而可能是一个独立的商业战场。

AWS 已经将 OpenAI 的 GPT-OSS 和英伟达 Nemotron 等开放权重模型纳入 Bedrock——企业可以在同一套基础设施中切换不同模型。

NVIDIA 则更激进。它过去卖的是「铲子」——GPU、网络、软件和数据中心。2026 年 3 月 英伟达发起 Nemotron Coalition，拉来 Black Forest Labs、Cursor、LangChain、Perplexity、Reflection AI、Thinking Machines Lab 等一批 AI 公司，共同训练开放的前沿模型。英伟达提供算力和基础设施，参与者贡献数据、模型训练和应用经验，最终模型开放给开发者使用。

8 月，英伟达宣布与 AI 初创公司 Poolside 达成 约 60 亿美元的技术授权和人才合作——其中包括向 Poolside 投资 10 亿美元、吸纳超过 100 名工程师加入 Nemotron 项目。这已经不是「做一个开源模型试试看」了——这是英伟达在用自己的算力、资本和生态，打造一套能够与中国开放权重模型竞争的美国模型体系。

甚至连 Meta、微软、Palantir、Google 和 OpenAI 等公司，也在今年 7 月加入了一封支持开放权重 AI 生态的行业联署。值得注意的是 Anthropic 没有加入——它至今仍是「模型即产品」的最坚定旗手。

硅谷内部的分歧开始变得清晰：到底把模型当成产品，还是把模型当成基础设施？

• OpenAI 和 Anthropic 更接近前者——模型本身就是商业化核心；
• Meta、NVIDIA 以及越来越多的企业，则更愿意把模型开放出来，让它成为开发者生态、云服务、芯片、Agent 和行业应用的底座。

💼 110 亿独角兽的现金流账本：客户名单 + ARR 增速

Harvey 不是「便宜的初创公司在尝试开源模型」——它是最有钱的客户之一。

客户名单：全球 50 家 AmLaw 100 律所；汇丰、普华永道、KKR、Latham & Watkins、A&O Shearman、Willkie Farr & Gallagher。

商业模式：纯企业级——不卖 API，没有自助消费产品。每份收入都来自与律所和企业法务部门谈判的按席位企业合同。中型律所每席位每月约 1000 至 2000 美元，大型 AmLaw 100 企业交易可降至每用户 100 至 200 美元。

Token 量级：每月 12 万亿到 13 万亿 token，超过 25,000 个定制 AI Agent 在客户组织中实时运行——用 Weinberg 的话说，每月花在 token 上的钱是「以十亿」美元为单位计算的。

正是在这个规模下，模型 API 不再只是技术基础设施，而开始变成一笔越来越庞大的运营成本。这才是 Harvey 必须自己训模型的真正驱动——不是「为了技术炫技」，而是「为了把最大成本项的账单握在自己手里」。

🤝 第三条路：开放权重正在成为「中间选项」

过去，AI 应用公司只有两条路：

1. 从头训练：太贵，没有几家负担得起；
2. 接入闭源 API：按次付费，产品做得越大、付给上游的「房租」越高——Harvey 每月 token 费用「以十亿」美元为单位计算，按这个比例支付闭源 API，毛利很快被吃光。

中国开源模型的爆发给出了一个第三条路：

• 直接拿走一套训练好的模型（Kimi K3 是其中之一）；
• 用自己的数据继续加工（Harvey 用律师 RL 数据继续精修）；
• 部署在自己的服务器上（成本和数据都握在自己手里）；
• 还能让单个律所基于这个底座继续训练自己的「所内知识库」（Tenet 公开的目标之一）。

这条路的关键经济学意义是：Tenet 的运行成本不到领先模型的 1/4——Harvey 自己公布的数据，等于给这条路标了个价。

🪞 边界与未答的卷子

要避免把这件事讲成单边故事。有几条边界要说清楚。

第一，Tenet 还没在生产中经过完整验证。Harvey 自己声明，这是「研究预览版」，没有公开发布 weights、模型卡、API endpoint。计划是「从研究到生产」分阶段迁移到 Harvey 产品中。

第二，这些成绩单大部分是 Harvey 自报，没有第三方独立审计。LAB 基准本身是开源的，但 Harvey 自己构建的训练任务和评分卡涉及商业机密，外界难以完整复现。Harvey 在公告中明确警示了这一点。

第三，「用中国开源模型」不等于「和中国公司深度合作」。Kimi K3 是开放权重，Harvey 直接下载使用，不涉及和月之暗面的商业合同。生态分成、商业化分成、地缘合规的卷子都还没答——中国模型能否把「被使用」变成「赚到钱」，许可证设计、商业化路径、地缘合规，每一关都还在答卷中。

第四，Kimi K3 自身也在快速迭代。8 月 26 日晚 23:00（北京时间），阿里千问又将在魔搭社区开源 Qwen3.8-Flash-Next——基于下一代 Qwen4 架构的多模态 MoE 模型，同步发布 FP8 量化版本。这是 Qwen 系列在 Qwen3.8-27B（编程与办公超越 Qwen3.7-Plus）和 Qwen3.8-2.4T-A95B（原生 256K 上下文）之后的又一次快速迭代。底座的更新节奏意味着 Harvey 必须在「绑死 K3」和「随时换底座」之间做出选择——这又回到 Harvey 当年「不被上游锁定」的原点问题。

🧭 一句话总结：从「被锁定」到「自主」，再回到「绑定」

Harvey 的故事，是 AI 应用公司「建 vs 买」决策的旗帜性案例。它从「用 OpenAI」出发，在「OpenAI 也开始做法律 AI」和「每月十亿美元级 token 账单」的双重压力下，下决心自己训模型——但它没有选择从头训练（成本太高），也没有继续租用闭源 API（被锁定），而是下载了一个中国开放权重底座，用自己的法律数据继续精装修。

这条路在过去半年里被 Cursor、Devin、Cosine、Thinking Machines 用不同姿势走了一遍，Harvey 是接力赛里最新、也是最戏剧化的一棒——因为它是估值 110 亿美元、OpenAI 系、第一个公布「自主训练」法律模型却被发现底座来自中国的硅谷独角兽。

当一个 OpenAI 投资的独角兽，最终押注 Kimi K3，AI 产业的「国籍边界」开始模糊，但「成本曲线」和「数据主权」的边界正在被重新划定。

Harvey 不会是最后一个。十亿美元的独角兽，已经开始用中国模型当底座——这件事本身，就是中国 AI 2026 年最具结构性的胜利。

参考来源

• Harvey 官方 X 公告（2026-08-20）：Introducing Tenet, our first post-trained model，原始数据。
• Harvey 官方博客 / 技术报告：Harvey Tenet — Kimi K3 base post-trained with Fireworks AI through asynchronous RL
• World Programming 转载（8-26）：Harvey Introduces Harvey Tenet: A Kimi K3 Base Post-Trained with Fireworks for Long-Horizon Legal Agent Work
• 21 世纪经济报道（8-24）：估值 110 亿美元，全球最贵行业独角兽换上「中国底座」
• GenAI Daily：Harvey launches Tenet, its first in-house AI model for legal work
• Pivot News：Harvey reports near-doubling of LAB task completion with its Tenet model
• Best AI Tools：Harvey Tenet is a legal AI model trained to work, not just answer questions
• 极思 TopMinds / 21 财经联合出品（深度报道）：110 亿独角兽换上中国底座、半年四代 Kimi 接力出海
• Moonshot AI 官方 X：Kimi K2.5 进入 Cursor Composer 2、Kimi K2.7 进入 Devin SWE-1.7 的认领帖
• Cognition 官方 X（2026-07-08）：SWE-1.7 was built on broad improvements RL pipeline on top of a Kimi K2.7 base model
• Cursor 技术报告：Composer 2 / 2.5 沿用 Kimi 底座
• OpenRouter / Vercel AI Gateway：token 流量数据（8 月）
• GitHub Copilot 公告（2026-08-06）：Kimi K3 在 Copilot 中正式可用
• Arena 全带代码能力榜单（2026-08-19）：K3 1660 第二 / Claude Opus 5 1699 第一
• a16z Anjney Midha 关于「80% 美国顶尖 AI 公司用中国开源模型」的行业体感引述
• NVIDIA Nemotron Coalition 公告（2026-03）+ Poolside 60 亿美元合作公告（2026-08）