汤森路透推出「Thomson」：用出版商的数据（和成本）叫板前沿模型的自研大模型

汤森路透发布了「Thomson」，这是该公司首个自研的大语言模型。公司称它建立在「扎实的开源基础」之上——官方通稿并未点名起始模型；在一次采访中，基础研究负责人表示项目过程中底座换过，最近使用的是 Qwen 3.5，但没有确认发布版本用的就是它——随后以 mid-training 与 post-training 手法，在自家档案库上做了特化：Westlaw、Practical Law、Checkpoint 和路透社。公司说明，目前动用的内容还不到自有内容库的 10%。公开的总投入约为两年 4000 万美元，包含人力与算力；而发布版本的最终一次训练运行本身，花费约 45 万美元。技术负责人乔尔·赫伦把这个数字归因于把独家内容叠加在高水准开源模型之上。

通稿中引用的评测均为内部评测，尚未经第三方验证。汤森路透称该模型在一系列任务上与前沿模型持平，并在遵循指令和领域推理上有所改进。在自家的「Deep Research」基准上，当 Thomson 能够访问独家内容时，成绩超过 GPT-5.4 和 Anthropic 的一款旗舰模型；而仅有网络访问时，结果只是相当，并无领先。Conflict Analytics Lab 的萨缪尔·达汉评价其在加拿大劳动法问题上的引证「总体上与主要前沿模型有一战之力」，但 SiliconANGLE 提醒，广泛的独立验证仍然缺席，详细的技术报告只是预告，尚未发布。至于外部模型在其余产品线中还会用到什么程度，公司没有说明。

首个投入生产的场景是 CoCounsel Legal 的 Tabular Analysis 功能，Thomson 是默认模型，但管理员可以改用其他选项。公司还宣布将在 Hugging Face 上以非商业学术许可发布一个开放权重的「小型」版本，并向一批学者开放直接评测。不过，权重的发布日期、开放版本的规模、许可的确切文本以及开发者门户的条款，目前都还不清楚。汤森路透强调，客户数据不会用于训练，其「Fiduciary-Grade」标准要求任何未来使用都必须获得明确同意。

Thomson 的推出是一场工业规模的实验：一家握有数十年独家内容的出版商，能否在不复制前沿巨头算力开支的前提下与之竞争？答案取决于能否把精选数据变成可衡量——并且可核验——的优势。眼下公布的数字仍属内部；真正的试金石，是那份预告中的技术报告，以及律所与企业法务部门的实际采用。路径已经画出：走特化而非通用，把控制权本身当作附加价值。剩下的问题是，市场会奖励自主，还是继续偏爱规模。