Thomson Reuters 推出自研 Thomson 大模型，专业领域 AI 迎来新试验

Thomson Reuters 推出首个自有大语言模型 Thomson，使这家长期掌握法律、税务、会计、合规与新闻专业内容的公司正式进入模型开发者行列。公司 8 月 24 日宣布，该模型由内部团队基于强开源基础模型开发，并投入约 4000 万美元用于人才和算力训练。与前沿 AI 实验室常见的数十亿甚至更高投入相比，这一数字并不夸张，也正是公司想强调的重点：专业 AI 未必必须沿用通用聊天机器人那种无限扩大参数和算力的路线。

Thomson 的目标不是成为面向所有问题的通用助手，而是服务法律、税务、审计、会计和合规等高责任专业场景。Thomson Reuters 表示，模型训练利用了 Westlaw、Practical Law、Checkpoint 和 Reuters 等多年积累的内容与编辑经验，并让大量主题专家参与训练目标设计和最终评估。这种做法试图证明，仅把通用模型连接到私有知识库并不总能满足专业工作需求，模型本身也需要围绕特定任务、证据链和引用质量进行训练。

这次发布的重要性在于，它代表了企业 AI 的一种新路径。过去许多公司把重点放在检索增强生成，也就是把通用模型接入内部数据。Thomson Reuters 则认为，拥有模型本身同样重要，因为训练、评估、隐私和行为边界都可以围绕专业职责进行设计。公司使用 Fiduciary-Grade AI 的概念，强调准确性、问责、透明度以及客户数据不被随意用于训练。

Thomson 将首先部署在 CoCounsel Legal 的 Tabular Analysis 功能中，用于高容量结构化文档审查。公司同时表示，CoCounsel Legal 会继续采用多模型架构，在 Thomson 表现最好的场景使用 Thomson，在其他任务中使用不同领先模型。这种策略符合当下企业采购 AI 的现实：受监管行业越来越少相信单一模型可以覆盖所有工作，成本、数据驻留、延迟、审计和工具集成都会影响选择。

Thomson Reuters 还计划把 Thomson 的小型版本以开放权重形式发布到 Hugging Face，供学术和非商业用途验证，并继续向法律与 AI 学者开放评测。这一安排不会放弃其最核心的商业优势，因为真正高价值的数据、工具和工作流仍然掌握在公司内部，但它有助于回应法律 AI 市场最敏感的问题：供应商不能只声称模型可靠，还必须让外界看到证据。

Thomson 的发布并不能立即证明垂直模型会取代通用前沿模型，却清楚说明高价值数据所有者不再满足于只为大模型平台提供内容。它们正在围绕自身工作流训练模型、构建评估体系，并把 AI 变成专业软件的一部分。如果 Thomson 在真实法律和税务任务中表现稳定，更多专业信息公司可能会采用相似路线。