Thomson Reuters ставит $40 млн на владение собственным ИИ вместо аренды у OpenAI или Anthropic

С помощью «Thomson» компания, предоставляющая профессиональную информацию, запускает свою первую собственную языковую модель, созданную на базе Qwen от Alibaba. Модель показывает лучшие результаты, когда получает доступ к собственному контенту и инструментам компании.

Thomson Reuters потратила около $40 млн на сотрудников и вычислительные мощности более чем за два года, сообщает компания. Более часто упоминаемая сумма в $450 000 покрывает лишь финальный запуск обучения текущей версии. Даже полная сумма не учитывает главный капитал: десятилетия контента Westlaw, Practical Law, Checkpoint и Reuters, а также рабочее время сотен отраслевых экспертов.

Основой служит открытая модель Qwen от Alibaba, последней версией которой на данный момент является Qwen3.5-397B, сообщает компания. Совместно с Имперским колледжем Лондона Thomson Reuters сначала дообучила китайскую модель для обеспечения безопасности, этичности и политической нейтральности. Эта промежуточная версия получила название «Snowdon» в честь горы в Уэльсе.

Затем последовали предварительное обучение на собственном контенте компании, дообучение с участием отраслевых экспертов и агентное обучение с подкреплением внутри собственных инструментальных сред компании. Пока в обучение было включено менее 10 процентов доступного контента.

Технический директор Джоэл Хрон говорит, что компания «уже, вероятно, почти полдюжины раз меняла исходную точку на базе открытого исходного кода». Главный вывод заключается «не столько в отдельной модели, сколько в созданной нами фабрике моделей», добавляет руководитель исследовательского направления Джонатан Шварц.

Бенчмарки, основанные на несбалансированном сравнении

В записи блога утверждается, что Thomson входит в число лучших моделей в мире. Собственные показатели компании рисуют более сдержанную картину: в Stanford LegalBench Thomson (0,823) уступает Gemini 3.1 Pro и GPT-5.5. В Harvey Legal Agent Benchmark она занимает место сразу за Opus 4.8. Она лидирует в следовании инструкциям и сложном тесте PrBench Legal. В области рассуждений и особенно программирования её показатели резко снижаются. Сравнение также искажено методикой: Thomson соревнуется с использованием масштабирования во время тестирования, тогда как GPT-5.5 работает без режима рассуждений.

Во внутреннем бенчмарке компании Deep Research, использующем только доступ к вебу, Thomson набирает 0,53 по точности фактов, тогда как GPT 5.4 достигает 0,65. Только при доступе к контенту компании Thomson немного опережает GPT 5.4 — 0,83 против 0,82. «С доступом к вебу Thomson находится в пределах показателей других моделей, но пока явно не является лидером», — признаёт руководитель оценки Эндрю Бин.

По словам Бина, «существенный прирост обеспечивает возможность обучаться на собственных инструментах и практиковаться с ними» — то, чего не могут делать внешние поставщики. Примечательно, что GPT 5.4 улучшается с этим контентом столь же резко. Таким образом, доступ к данным даёт почти такой же эффект, как и специализированное обучение. Компания не тестировала более новые модели. Однако минимальный перевес собственной модели ещё может вырасти, если компания перейдёт на более сильный вариант, например Qwen3.8, и значительно превысит отметку в 10 процентов контента.

Собственная модель вместо дообучения передовой модели

Так зачем создавать собственную модель, а не дообучить передовую модель OpenAI или Anthropic на юридических данных? Thomson Reuters видит три причины отказаться от такого подхода. Во-первых, экономика: стандартные методы дообучения «как правило, приводят к заметному ухудшению общих возможностей модели», говорит Шварц. Кроме того, компания оказывается привязана к поставщику в вопросах стоимости вывода и дальнейшего развития. Более компактная собственная модель окупается именно при большом объёме работы, например при анализе документов.

Во-вторых, данные: именно обучение внутри собственных инструментов, таких как Westlaw, обеспечивает скачок производительности. Бенчмарки это подтверждают, и компания не передаст такой доступ никому. В-третьих, накопительный эффект, который Хрон описывает как «аренду дома вместо покупки дома». Каждая экспертная проверка во время обновления продукта становится обучающими данными. С собственной моделью «вы создаёте долгосрочный актив, которым владеете, и его ценность со временем накапливается», говорит Хрон. В случае сторонних моделей эта ценность исчезает у поставщика.

Для Thomson Reuters такой подход работает, поскольку компания может объединить три редких компонента: эксклюзивные массивы данных, сотни штатных отраслевых экспертов и рабочие процессы, в которых качество можно объективно измерять. Для компаний с подобным профилем этот пример показывает, что сообщество открытого исходного кода отстаёт от ведущих лабораторий всего на несколько месяцев, а $40 млн может быть достаточно для создания конкурентоспособной специализированной модели. Компании, у которых нет ни собственных данных, ни способа масштабно оценивать результаты, при создании собственной модели в основном приобретают постоянные расходы на её обслуживание.

По словам Хрона, следующее конкурентное преимущество в ИИ «будет исходить из умения правильно им управлять и понимать, какой интеллект достаточно важен, чтобы им владеть».

Первое применение — анализ документов в больших объёмах

На старте Thomson заменяет функцию Tabular Analysis в CoCounsel Legal, где использование меньшей и более дешёвой модели имеет экономический смысл. Продукт остаётся мультимодельным, и администраторы могут переключать модели. Thomson не предназначена для работы в качестве оркестратора, а будет выполнять такие подзадачи, как проверка цитат. Данные клиентов, как утверждает компания, не используются для обучения.

Небольшая версия появится на Hugging Face в качестве модели с открытыми весами по некоммерческой лицензии; позже будут опубликованы технический отчёт и портал для разработчиков. Хрон говорит, что с юридическими фирмами уже ведутся предварительные, пока ни к чему не обязывающие переговоры о прямом лицензировании.

Новости ИИ без шумихи — отобраны людьми

Подпишитесь на THE DECODER, чтобы читать материалы без рекламы, получать еженедельную рассылку об ИИ, эксклюзивный годовой отчёт о передовых разработках «AI Radar» шесть раз в год, полный доступ к архиву и доступ к разделу комментариев.