Thomson Reuters потратила около 40 миллионов долларов за более чем два года на создание Thomson — внутренней языковой модели для юридической и профессиональной информационной работы. Решение компании знаменует отход от полной зависимости от арендованных мощностей у поставщиков фронтир-моделей, таких как OpenAI и Anthropic.

Модель построена на базе Qwen от Alibaba и сначала внедряется внутри CoCounsel Legal для работы с документами. Thomson Reuters говорит, что инвестиции призваны улучшить экономику, сохранить контроль над собственным проприетарным контентом и позволить компании обучать модели внутри собственных программных инструментов. Однако самые сильные результаты, о которых сообщалось до сих пор, наблюдаются тогда, когда Thomson может получать доступ к контенту и рабочим процессам Thomson Reuters, а не функционирует как модель общего назначения.

Thomson создана для контролируемых юридических рабочих процессов

Согласно материалу The Decoder, Thomson Reuters разработала модель с использованием данных компании и экспертов предметной области; модель обучалась и оценивалась в средах, связанных с продуктами вроде Westlaw, Practical Law, Checkpoint и Reuters. Компания утверждает, что для обучения пока использовано менее 10% доступного контента.

Процесс разработки начался с Qwen как открытой базовой модели. Thomson Reuters работала с Imperial College над промежуточной версией под названием Snowdon, которую дообучили на безопасность, этику и политическую нейтральность, сообщил The Decoder. Затем компания добавила предобучение на собственных материалах, постобучение под руководством экспертов и обучение с подкреплением в внутренних средах инструментов.

Thomson не позиционируется как замена всех внешних моделей. На запуске она берет на себя функцию Tabular Analysis в CoCounsel Legal, где меньшая и более дешевая модель может выполнять определенную задачу в больших объемах. Администраторы по-прежнему могут переключать модели, и продукт остается мультимодельным. Thomson Reuters также заявляет, что данные клиентов не используются для обучения.

Ожидается выпуск более маленькой версии Thomson на Hugging Face по некоммерческой лицензии. Компания планирует опубликовать технический отчет и создать портал для разработчиков, а ранние переговоры о прямом лицензировании с юридическими фирмами описываются как необязательные.

Преимущество в бенчмарках зависит от проприетарного доступа

Данные, предоставленные The Decoder, показывают, что конкурентный кейс Thomson уже, чем заявление о широкой превосходящей силе над фронтир-моделями. В Stanford LegalBench Thomson, как сообщается, набрала 0,823, уступив Gemini 3.1 Pro и GPT-5.5. В Harvey Legal Agent Benchmark она лишь немного отстала от Opus 4.8, но лидировала в следовании инструкциям и в сложной оценке PrBench Legal.

Сообщается, что модель слабее показала себя в общем рассуждении и программировании. Сравнения также зависят от методики оценки: Thomson использовала test-time scaling, тогда как GPT-5.5 тестировали без режима рассуждения. Собственная оценка компании Deep Research дала похожую оговорку. При доступе только к вебу Thomson получила 0,53 по фактической точности против 0,65 у GPT-5.4. Когда добавили контент Thomson Reuters, Thomson достигла 0,83, немного опередив GPT-5.4 с 0,82.

Эти результаты — это бенчмарки, представленные самой компанией через The Decoder, а не независимая валидация. Они также показывают, что проприетарный доступ, возможно, делает как минимум не меньше, чем специализация модели. Тот же контент дал GPT-5.4 существенное улучшение, а значит, пока нельзя приписать преимущество только обучению или архитектуре Thomson.

Andrew Bean, руководитель оценки в Thomson Reuters, признал, что модель пока не была лидером, если ограничить ее доступом только к вебу. Результаты могут улучшиться, если компания будет использовать больше своего контента или перейдет на более новую версию Qwen, но пока это будущие возможности, а не доказанные результаты.

Почему Thomson Reuters хочет владеть всей цепочкой

Аргументация компании строится на трех связанных вопросах: стоимости, контроле данных и накопленном опыте. Thomson Reuters говорит, что тонкая настройка внешней фронтир-модели может снизить общую способность, тогда как дальнейшее использование оставляет покупателя зависимым от инференс-цен и продуктового плана поставщика.

Внутренне контролируемая модель может быть меньше и дешевле для повторяющейся работы, такой как проверка документов или контроль цитат. Это важнее, когда модель развертывается в высокообъемных рабочих процессах, чем когда она используется лишь изредка для открытых исследований. Поэтому релевантное сравнение — не просто то, умнее ли Thomson, чем GPT-5.4 или другая фронтир-система, а то, может ли она обеспечивать приемлемое качество при более низкой стоимости эксплуатации внутри определенного продукта.

Второй фактор — доступ к данным. Обучение и тестирование внутри Westlaw и связанных инструментов позволяют Thomson Reuters оптимизировать задачи, которые внешние поставщики не могут полностью воспроизвести без доступа к защищенным материалам компании и телеметрии рабочих процессов. Компания заявляет, что это преимущество является ключом к ее решению не полагаться исключительно на сторонние модели.

Третий фактор — накопление знаний о разработке. Руководители Thomson Reuters Joel Hron и Jonathan Schwartz описали инвестиции компании как построение способности к разработке моделей, а не покупку одной готовой модели. Каждая экспертная проверка, оценка продукта и улучшение рабочего процесса потенциально могут влиять на будущие релизы. Это стратегическое обоснование от руководителей компании, а не измеренная отдача от инвестиций.

Что означает это решение для создателей и покупателей ИИ

Для компаний это объявление дает более конкретный пример выборочного владения моделью. Thomson Reuters располагает эксклюзивными информационными активами, сотнями отраслевых экспертов и рабочими процессами, где результаты можно оценивать по профессиональным стандартам. Эти условия делают специализированную модель более оправданной, чем внутренний проект без проприетарных данных или надежного тестирования.

Новость менее убедительна для компаний, которым не хватает таких ингредиентов. Обучение модели на обычных корпоративных документах не создает автоматически устойчивого преимущества, особенно если организация по-прежнему зависит от внешней инфраструктуры, не может измерять качество в масштабе или имеет слишком мало примеров для улучшения системы. В таких случаях кастомизация модели, retrieval-системы или мультимодельная продуктовая стратегия могут дать больше гибкости, чем владение полным pipeline обучения.

Развертывание также показывает, почему выбор модели становится решением на уровне продуктового менеджмента, а не разовой технической задачей. CoCounsel Legal сохраняет несколько моделей и назначает Thomson более узкую нагрузку. Такая схема позволяет Thomson Reuters использовать фронтир-системы там, где их более широкий reasoning ценен, и оставлять собственную модель для задач, где важнее стоимость, доступ к данным и повторяемость.

Для ИИ-агентов и команд enterprise-решений важный урок в том, что доступ к инструментам и среды оценки могут иметь не меньшее значение, чем базовая модель. Модель, обученная работать внутри собственных приложений компании, может превзойти более сильную общую модель в ограниченном рабочем процессе, но только если организация может поддерживать инструменты, права доступа к данным и контроль качества вокруг нее.

На что смотреть дальше

Первый сигнал — фактическая производительность и стоимость в CoCounsel Legal, особенно для Tabular Analysis и других задач проверки документов. Thomson Reuters не предоставила в изложенных материалах независимых доказательств того, что модель обеспечивает определенное снижение затрат или измеримое улучшение качества для клиентов в продакшене.

Выпуск более маленькой модели на Hugging Face и технического отчета должен дать больше информации об архитектуре, методах обучения, лицензировании и воспроизводимости. Это также покажет, смогут ли внешние разработчики использовать Thomson вне собственных контролируемых сред Thomson Reuters.

Переговоры о лицензировании с юридическими фирмами — еще один сигнал, хотя The Decoder охарактеризовал их как ранние и необязательные. Принятие внешними юридическими организациями стало бы более сильной проверкой того, является ли Thomson продуктовым активом, а не в первую очередь внутренней оптимизацией.

Наконец, будущие оценки должны сравнивать Thomson с текущими фронтир-моделями при эквивалентных настройках reasoning и с четко разделенными условиями: только веб, проприетарный контент и использование инструментов. Это упростит определение того, какая часть заявленного преимущества действительно исходит от самой модели.

Мнение Creati.ai

Инвестиции Thomson Reuters не доказывают, что каждой компании следует обучать собственную языковую модель. Они показывают, что владение может иметь смысл, когда компания контролирует редкие данные, располагает специалистами, способными управлять системой, и работает с повторяющимися процессами, где экономика инференса поддается измерению.

Более важным стратегическим шагом может быть сочетание внутренней разработки моделей с продолжением использования внешних моделей. Thomson Reuters не уходит с рынка фронтира; она пытается владеть той частью стека, где проприетарный контент и высокообъемные юридические задачи создают рычаг. Для разработчиков и корпоративных покупателей это более правдоподобная модельная стратегия, чем восприятие полного внутреннего обучения как самоцели.