Thomson Reuters залага $40 млн, за да притежава собствения си AI, вместо да го наема от OpenAI или Anthropic

С „Thomson“ компанията за професионална информация пуска първия си вътрешно разработен езиков модел, изграден върху Qwen на Alibaba. Моделът постига най-добри резултати, когато може да използва собственото съдържание и инструментите на компанията.

Thomson Reuters е похарчила около $40 млн. за персонал и изчислителна мощност в продължение на повече от две години, според компанията. По-често цитираният размер от $450 000 обхваща само финалното обучение на текущата версия. Дори пълната сума не включва истинския капитал: десетилетия съдържание от Westlaw, Practical Law, Checkpoint и Reuters, както и работните часове на стотици експерти в съответните области.

В основата е отвореният Qwen на Alibaba, по последни данни Qwen3.5-397B, посочва компанията. В сътрудничество с Imperial College Thomson Reuters първо дообучи китайския модел за безопасност, етика и политическа неутралност. Тази междинна версия се нарича „Snowdon“ — на името на планина в Уелс.

След това последва предварително обучение със собственото съдържание на компанията, дообучаване с експерти в съответните области и агентно обучение с подсилване в средите на собствените инструменти на компанията. Досега в обучението са включени по-малко от 10 процента от наличното съдържание.

Техническият директор Джоел Хрон казва, че компанията вече е „променяла отправната точка с отворен код вероятно близо половин дузина пъти“. По-важното откритие е „не толкова отделният модел, колкото фабриката за модели, която изградихме“, добавя ръководителят на изследователския отдел Джонатан Шварц.

Бенчмаркове, изградени върху неравностойно сравнение

В публикацията в блога се твърди, че Thomson се нарежда сред най-добрите модели в света. Собствените данни на компанията показват по-умерена картина: В Stanford LegalBench Thomson (0.823) изостава от Gemini 3.1 Pro и GPT-5.5. В Harvey Legal Agent Benchmark той е непосредствено зад Opus 4.8. Лидер е при следването на инструкции и сложния PrBench Legal. При разсъжденията, а особено при програмирането, резултатите му рязко спадат. Сравнението също е изкривено от методологията, тъй като Thomson се състезава с мащабиране по време на теста, докато GPT-5.5 работи без режим на разсъждение.

Във вътрешния за компанията бенчмарк Deep Research, само с достъп до интернет, Thomson постига 0.53 по точност на фактите, докато GPT 5.4 достига 0.65. Едва с достъп до съдържанието на компанията Thomson изпреварва GPT 5.4 — с 0.83 срещу 0.82. С достъп до интернет Thomson е „в рамките на останалите модели, но със сигурност все още не е лидерът“, признава ръководителят на оценяването Андрю Бийн.

Според Бийн има „голям скок в резултатите, който идва от възможността да обучавате и практикувате със собствените си инструменти“ — нещо, което външните доставчици не могат да направят. Показателно е, че GPT 5.4 се подобрява също толкова рязко с това съдържание. Така достъпът до данни върши почти толкова работа, колкото и специализираното обучение. Компанията не е тествала по-нови модели. Минималната преднина на вътрешния модел все пак може да нарасне, ако компанията премине към по-силна версия като Qwen3.8 и увеличи значително дела на използваното съдържание над 10 процента.

Собствен модел вместо дообучаване на водещ модел

Тогава защо да създаваш собствен модел, вместо да дообучиш водещ модел от OpenAI или Anthropic с правни данни? Thomson Reuters вижда три причини да не го прави. Първата е икономическа: Стандартните техники за дообучаване „обикновено имат силна тенденция да влошават общите способности“, казва Шварц. Освен това оставате зависими от доставчика за разходите за извеждане и бъдещата посока на развитие. По-малък вътрешен модел се изплаща именно при високoобемна работа като прегледа на документи.

Втората причина са данните: скокът в производителността идва от обучението в собствените инструменти като Westlaw. Бенчмарковете го доказват, а компанията няма да предостави този достъп на никого. Третата е натрупващият се ефект, който Хрон описва като „да наемаш къща вместо да купиш къща“. Всеки експертен преглед по време на актуализация на продукта се превръща в обучаващи данни. При собствен модел „изграждате капитал в нещо, което притежавате в дългосрочен план, и той се натрупва с времето“, казва Хрон. При моделите на трети страни тази стойност изчезва при доставчика.

За Thomas Reuters подходът работи, защото компанията може да комбинира три редки съставки: ексклузивни масиви от данни, стотици експерти на пълен работен ден и работни процеси, при които качеството може да бъде измерено обективно. За компании с такъв профил случаят показва, че общността с отворен код изостава от водещите лаборатории само с месеци и че $40 млн. могат да са достатъчни за конкурентоспособен специализиран модел. Компаниите, които не притежават нито собствени данни, нито начин да оценяват резултатите в мащаб, при създаването на собствен модел до голяма степен просто си купуват постоянни разходи за поддръжка.

Според Хрон следващото конкурентно предимство в изкуствения интелект „ще дойде от това да знаеш как да го координираш и коя интелигентност е достатъчно важна, за да я притежаваш“.

Първа употреба при високoобемен преглед на документи

При старта Thomson поема функцията Tabular Analysis в CoCounsel Legal, където по-малък и по-евтин модел има икономически смисъл. Продуктът остава мултимоделен, а администраторите могат да превключват между моделите. Thomson не е предназначен да действа като оркестратор, а да обработва подзадачи като проверка на цитати. Данните на клиентите не се използват за обучение, посочва компанията.

Малка версия ще бъде предоставена в Hugging Face като модел с отворени тегла под лиценз за нетърговска употреба, последвана от технически доклад и портал за разработчици. Хрон казва, че се водят ранни, все още необвързващи разговори с адвокатски кантори за директно лицензиране.

Новини за изкуствения интелект без сензации – подбрани от хора

Абонирайте се за THE DECODER за четене без реклами, седмичен бюлетин за изкуствения интелект, ексклузивния ни доклад за водещите модели „AI Radar“ шест пъти годишно, пълен достъп до архива и достъп до секцията за коментари.