Thomson: Как Thomson Reuters инвестира 40 милиона долара в собствен ИИ модел
Информационният гигант Thomson Reuters обяви официално пускането на първия си специализиран езиков модел „Thomson“ (с водеща версия Thomson-1-Large), предназначен за професионалисти в правния, данъчния и счетоводния сектор [1]. Моделът демонстрира изключително висока производителност, като се конкурира успешно с водещите пазарни алтернативи на най-известните лаборатории за изкуствен интелект. С тази стъпка компанията прави сериозна заявка за лидерство в т.нар. Fiduciary-Grade AI™ — системи с изкуствен интелект за задачи с нулев толеранс към грешки.
Изображение: Генерирано чрез Svetni.me AI
Разработката на модела е отнела малко над две години и е струвала приблизително 40 милиона долара, покриващи разходи за персонал и изчислителна мощност [2]. Тази сума включва и придобиването на изследователската компания Safe Sign Technologies през 2024 г. Макар последното финално обучение на текущата версия да е коствало около 450 000 долара, реалният капитал зад проекта е в десетилетията авторитетно съдържание от архивите на Westlaw, Practical Law, Checkpoint и Reuters news.
От Qwen до Snowdon и Thomson
В основата на проекта стои фамилията модели с отворен код Qwen на китайския конгломерат Alibaba Cloud, по-конкретно версията Qwen3.5-397B [2]. Работата по модификацията протича на няколко етапа. Първоначално, съвместно с Имперския колеж в Лондон (Imperial College London), китайският модел преминава през пренастройка за сигурност, етика и политическа неутралност. Тази междинна версия получава кодовото име „Snowdon“, кръстена на най-високия връх в Уелс.
Следващата фаза включва мащабно средно обучение (mid-training) optimization и следтренировъчна настройка (post-training) върху специализирания масив от данни на компанията. В процеса участват стотици домейнови експерти, които валидират резултатите и насочват модела да разсъждава по начина, по който го правят юристите в реалната си практика. Любопитен факт е, че за обучението на Thomson до момента са използвани по-малко от 10% от наличните текстови масиви на Thomson Reuters, което оставя огромен потенциал за бъдещо надграждане.
Стратегическият избор: Собственост вместо наем
Защо една компания с пазарна капитализация от милиарди би инвестирала милиони в разработката на собствен модел, вместо да фино настрои (fine-tune) готов модел от OpenAI или Anthropic? Технологичното ръководство на Thomson Reuters посочва три основни причини за това стратегическо решение:
Първо, икономическият фактор. Стандартното фино настройване на външни комерсиални модели често води до деградация на техните общи възможности. Освен това, компанията остава зависима от ценовата политика и технологичния план на външния доставчик за години напред.
Второ, контролът върху данните. Обучението директно в средата на инструменти като Westlaw осигурява скок в производителността, който външни доставчици не могат да предложат. Thomson Reuters категорично отказва да предостави достъп до своите ценни архиви на трети страни.
Трето, ефектът на натрупване. Техническият директор на компанията Джоел Хрон сравнява ситуацията с избора между наемане и закупуване на къща. При използване на собствена инфраструктура, всяка корекция на грешка и експертен преглед се превръщат в тренировъчни данни, които увеличават стойността на собствения актив с течение на времето. При работа с външни модели тази стойност се влива в платформата на доставчика.
Детайлен анализ на бенчмарковете
За да докаже ефективността на модела, Thomson Reuters публикува сравнителни данни с водещите модели на пазара в няколко ключови направления [1]. Оценката включва сравнение с Claude Opus 4.8, Gemini 3.1 Pro и GPT-5.5.
Изображение: Сравнителен анализ на бенчмаркове за правни и общи задачи
Резултатите в правния домейн показват следното разпределение:
В Stanford LegalBench моделът Thomson постига резултат от 0,823, нареждайки се близо до Gemini 3.1 Pro (0,843) и GPT-5.5 (0,832), но изпреварвайки Claude Opus 4.8 (0,818).
На трудния тест PrBench Legal Hard моделът на Thomson Reuters заема първото място с 0,352, изпреварвайки GPT-5.5 (0,333), Claude Opus 4.8 (0,315) и Gemini 3.1 Pro (0,293).
В специализирания Harvey Legal Agent Benchmark, Thomson постига 0,857, оставайки плътно зад лидера Claude Opus 4.8 (0,869), но далеч пред GPT-5.5 (0,781) и Gemini 3.1 Pro (0,555).
В общия домейн резултатите са разпределени по следния начин:
При следване на инструкции (IFEval и FollowBench) Thomson бележи най-високия резултат от 0,914, пред GPT-5.5 (0,885) и Claude Opus (0,861).
При логически разсъждения (GPQA Diamond, HLE, MMLU-Pro) моделът постига 0,684, отстъпвайки на Gemini 3.1 Pro (0,748) and Claude Opus (0,737), но изпреварвайки чувствително GPT-5.5 (0,589).
В програмирането (SWE-Bench Pro и Terminal-Bench 2.1) Thomson остава по-назад с 0,399, където лидер е Claude Opus с 0,598, а GPT-5.5 има 0,414.
При дълъг контекст (Infinity Bench) моделът печели първото място с 0,753 срещу 0,750 за Gemini 3.1 Pro и 0,703 за GPT-5.5.
Важно е да се отбележи, че по време на тестовете Thomson е използвал техники за мащабиране по време на тестване (test-time scaling), а Gemini 3.1 Pro и Claude Opus 4.8 са работили в режим на разсъждение (reasoning mode), докато GPT-5.5 е тестван без активиран такъв режим.
Данните правят разликата
Въпреки високите оценки, анализът на вградения бенчмарк Deep Research показва ключова особеност [2]. При тест, симулиращ 53 реални юридически запитвания с достъп само до интернет, Thomson постига фактологична точност от 0,53, докато по-старият модел GPT-5.4 постига 0,65.
Картината обаче се променя драматично, когато моделите получат достъп до специализираните затворени бази данни на Thomson Reuters. С тази интеграция фактологичността на Thomson скача на 0,83, а тази на GPT-5.4 достига 0,82.
Това доказва, че достъпът до качествено съдържание играе почти толкова важна роля, колкото и самото специализирано обучение на модела. За компании от мащаба на Thomson Reuters контролът над тези затворени екосистеми се превръща в най-важното оръжие в ерата на изкуствения интелект.
Внедряване и бъдеще
Първото практическо приложение на новия модел ще бъде реализирано в края на август в рамките на функцията Tabular Analysis в платформата CoCounsel Legal [1]. Тази функция е избрана умишлено, тъй като извършва структуриран преглед на големи обеми от документи по строги и измерими критерии за точност.
Правната платформа ще остане мултимоделна, позволявайки на администраторите да превключват към други модели, но Thomson ще стане основният двигател за задачи като автоматизирана проверка на цитати и структуриране на документи. Клиентските данни няма да бъдат използвани за обучение на системата.
Thomson Reuters планира да пусне по-малка версия на модела с отворени тегла (open-weight) в платформата Hugging Face под некомерсиален лиценз, придружена от технически доклад. Според техническия директор Джоел Хрон следващото голямо конкурентно предимство в сектора ще бъде способността на компаниите да оркестрират сложни ИИ системи и да преценят коя част от интелекта си струва да притежават изцяло.
Източници:
[2]: Thomson Reuters bets $40M on owning its AI instead of renting from OpenAI or Anthropic - The Decoder