Hi～新朋友，记得关注我们哟
Thomson Reuters 推出专有法律金融大模型系列"Thomson"。该系列基于 Qwen 模型构建，通过定制数据工程与重训练流程，旨在提供比通用大语言模型更精准、完整的行业回答。
● 最新动态：Thomson 是专注于法律、商业、税务、金融及新闻领域的专用模型。首发将集成至现有产品 CoCounsel Legal（用于研究、分析及文档起草），后续将扩展至其他产品线。
✴ 输入/输出：支持文本输入（最大 262,000 token）及文本输出。
✴ 架构：采用专家混合（MoE）Transformer 架构，总参数量 3970 亿，单次推理激活 170 亿参数。
✴ 性能表现：Thomson-1.0-Large 在税务、法律和新闻内容的完整性与事实性上，略优于 GPT-5.4 和 Claude Sonnet 5；在开放网络内容事实性指标上高出约 15 分。Thomson-1.0-Small 亦优于 Gemma4-31B 和 Claude Haiku 4.5。
✴ 可用性：仅面向企业客户。
✴ 许可模式：Thomson-1.0-Large 为专有模型；350 亿参数版本的 Thomson-1.0-Small 将以开源权重形式在 Hugging Face 发布，供学术及非商业用途使用。
✴ 其他：具体价格尚未披露。
工作原理与技术路径
● 核心构建：Thomson-1.0-Large 基于指令微调后的开源模型 Qwen3.5-397B-A17B 构建。公司采用“持续学习”策略，结合全权重中期训练与微调，并在精选的大型数据语料库上进行训练。据悉，该项目三个月内的总训练成本达 4000 万美元。
✴ 价值观对齐：通过直接偏好优化（DPO）将模型对齐至一套开源“宪法”，以反映公司的风格与价值观（如新闻客观性）。
✴ 数据策略：Thomson Reuters 联合 DatologyAI 从 19 万亿 token 候选池中筛选出 2000 亿 token 用于中期训练。数据集包含三部分：精选专有文档（新闻、监管文件、判例法等）、成功专业任务的合成数据对，以及通用能力材料。
✴ 优化技术：利用 DPO 进行最终对齐以提升智能体深度研究的准确性与效率；采用组序列策略优化（GSPO）管理上下文压缩与文档缓存，防止上下文过载或冗余 API 调用。
✴ 小模型版本：Thomson-Small-1 基于 Qwen3.6-35B 采用类似方式训练。
✴ 未来规划：公司将坚持数据中心化流程。未来版本可能切换基座模型（如 Inkling Large），并使用规模扩大 10% 的数据集进行训练。
行业背景与竞争格局
● 市场定位：尽管 Thomson Reuters 长期在其产品中应用 AI，但 Thomson 是其首个自研大语言模型。公司正面临来自 Harvey、Legora 等 AI 原生初创企业，以及 OpenAI、Anthropic、Google 等通用大模型厂商的双重竞争压力。
✴ 差异化优势：相比 Harvey 的新法律模型 Tenet，Thomson 的覆盖范围更广，涵盖新闻、商业、税务和金融，数据语料库规模更大。但在 BigLawBench 和 LAB 等特定法律基准测试中，其专注度略低于竞争对手。
✴ 产品集成：CoCounsel Legal 是一款拥有超百万客户的 AI 助手。Thomson 将成为其部分功能的底层模型，其余功能仍依赖 Anthropic Claude 等第三方模型。CoCounsel 的具体定价未公开。
战略意义：企业级主权 AI
● 核心价值：Thomson 代表了企业层面的“主权 AI"实践。通过将模型授权给客户在自有硬件上运行，确保敏感数据无需离开本地，规避了依赖外部大模型厂商的基础设施与数据保留政策风险。此外，其中期训练方法允许企业在私有数据上低成本地进一步训练模型，效果优于传统的 LoRA 微调。
观察与思考
模型定制化是 AI 应用的重要趋势，开源权重模型的普及为此奠定了基础。然而，对于 Thomson Reuters 而言，如何在性能提升相对有限的情况下，向客户证明其高昂的定价合理性，仍是未来需要面对的关键挑战。