Thomson Reuters ставить $40 млн на власний ШІ замість оренди в OpenAI чи Anthropic

Професійна інформаційна компанія запускає «Thomson» — свою першу власну мовну модель, створену на основі Qwen від Alibaba. Модель демонструє найкращі результати, коли може використовувати власний контент і інструменти компанії.

За даними компанії, Thomson Reuters витратила близько $40 млн на персонал і обчислювальні потужності протягом понад двох років. Частіше згадувана сума в $450 000 охоплює лише фінальний навчальний запуск поточної версії. Навіть повна сума не враховує справжній капітал: десятиліття контенту з Westlaw, Practical Law, Checkpoint і Reuters, а також робочий час сотень галузевих експертів.

За словами компанії, основу становить відкрита модель Qwen від Alibaba, остання версія якої — Qwen3.5-397B. Спільно з Імперським коледжем Лондона Thomson Reuters спочатку перенавчила китайську модель для забезпечення безпеки, етичності та політичної нейтральності. Ця проміжна версія отримала назву «Snowdon» — на честь гори в Уельсі.

Далі відбулися попереднє навчання на власному контенті компанії, постнавчання за участю галузевих експертів і агентне навчання з підкріпленням у середовищах власних інструментів компанії. Наразі в навчання було залучено менше 10 відсотків доступного контенту.

Технічний директор Джоел Хрон каже, що компанія вже «змінила вихідну точку з відкритим кодом, мабуть, майже пів дюжини разів». Головний висновок полягає «менш в окремій моделі, а більше у фабриці моделей, яку ми створили», додає керівник дослідницького напряму Джонатан Шварц.

Бенчмарки, побудовані на нерівному порівнянні

У дописі в блозі стверджується, що Thomson входить до числа найкращих моделей у світі. Власні показники компанії демонструють більш стриману картину: у Stanford LegalBench Thomson (0,823) поступається Gemini 3.1 Pro і GPT-5.5. У Harvey Legal Agent Benchmark вона посідає місце одразу за Opus 4.8. Вона лідирує у виконанні інструкцій і складному PrBench Legal. У міркуванні, а особливо в програмуванні, її результати різко погіршуються. Порівняння також викривлене методикою, оскільки Thomson змагається з використанням масштабування під час тестування, тоді як GPT-5.5 працює без режиму міркування.

У внутрішньому бенчмарку компанії Deep Research, використовуючи лише доступ до вебу, Thomson набирає 0,53 за фактичною точністю, тоді як GPT 5.4 досягає 0,65. Лише маючи доступ до контенту компанії, Thomson трохи випереджає GPT 5.4 — 0,83 проти 0,82. «За доступу до вебу Thomson перебуває в межах показників інших моделей, але, безперечно, поки що не є лідером», — визнає керівник оцінювання Ендрю Бін.

За словами Біна, «значне підвищення показників відбувається завдяки можливості навчатися на власних інструментах і практикуватися з ними» — це те, чого не можуть робити зовнішні постачальники. Вражає те, що GPT 5.4 так само різко покращує результати завдяки цьому контенту. Отже, доступ до даних відіграє майже таку саму роль, як і спеціалізоване навчання. Компанія не тестувала новіші моделі. Однак мінімальна перевага власної моделі все ще може зрости, якщо компанія перейде на сильніший варіант, як-от Qwen3.8, і значно перевищить позначку в 10 відсотків контенту.

Власна модель замість донавчання передової моделі

То навіщо створювати власну модель замість донавчання передової моделі OpenAI чи Anthropic на юридичних даних? Thomson Reuters бачить три аргументи проти такого підходу. По-перше, економіка: стандартні методи донавчання «мають сильну тенденцію погіршувати загальні можливості», каже Шварц. Крім того, компанія залишається прив’язаною до постачальника щодо витрат на інференс і подальшого розвитку продукту. Менша власна модель окупається саме в таких високонавантажених завданнях, як аналіз документів.

По-друге, дані: саме навчання всередині власних інструментів, таких як Westlaw, забезпечує стрибок продуктивності. Бенчмарки це доводять, і компанія не передасть такий доступ нікому. По-третє, кумулятивний ефект, який Хрон описує як «оренду будинку замість його купівлі». Кожна експертна перевірка під час оновлення продукту стає навчальними даними. Із власною моделлю «ви створюєте капітал у тому, чим володієте в довгостроковій перспективі, і цей капітал з часом накопичується», — каже Хрон. У випадку сторонніх моделей ця цінність зникає у постачальника.

Для Thomas Reuters цей підхід працює, оскільки компанія може поєднати три рідкісні складові: ексклюзивні масиви даних, сотні штатних галузевих експертів і робочі процеси, у яких якість можна об’єктивно виміряти. Для компаній із таким профілем цей приклад показує, що спільнота відкритого коду відстає від передових лабораторій лише на кілька місяців, а $40 млн може бути достатньо для конкурентоспроможної спеціалізованої моделі. Компанії, які не мають ані власних даних, ані способу масштабно оцінювати результати, під час створення власної моделі здебільшого купують постійні витрати на її обслуговування.

За словами Хрона, наступна конкурентна перевага у сфері ШІ «полягатиме в тому, щоб знати, як його координувати, і розуміти, якими інтелектуальними можливостями достатньо важливо володіти».

Перше застосування — високонавантажений аналіз документів

На момент запуску Thomson перебирає на себе функцію Tabular Analysis у CoCounsel Legal, де менша й дешевша модель має економічний сенс. Продукт і надалі використовуватиме кілька моделей, а адміністратори зможуть перемикатися між ними. Thomson не призначена для роботи як координатор, а виконуватиме підзавдання, як-от перевірка цитувань. За словами компанії, дані клієнтів не використовуватимуться для навчання.

Невелику версію буде представлено на Hugging Face як модель із відкритими вагами за некомерційною ліцензією; згодом з’являться технічний звіт і портал для розробників. Хрон каже, що з юридичними фірмами вже тривають попередні, поки що необов’язкові переговори щодо прямого ліцензування.

Новини ШІ без хайпу — відібрані людьми

Підпишіться на THE DECODER, щоб читати матеріали без реклами, отримувати щотижневу розсилку про ШІ, наш ексклюзивний звіт про передові технології «AI Radar» шість разів на рік, повний доступ до архіву та доступ до розділу коментарів.