湯森路透（Thomson Reuters）近日宣佈推出其首個自研法律領域AI語言模型“Thomson”，該模型基於阿里巴巴的開源Qwen系列構建。據公司披露，該專案在兩年多時間內投入約4000萬美元，主要用於人員與算力成本。值得注意的是，此前流傳的45萬美元數字僅覆蓋當前版本的最終訓練環節，並未包含全部研發開銷。

Thomson的研發路徑頗具特色：公司首先與帝國理工學院合作，對Qwen模型進行安全、倫理及政治中立性方面的再訓練，形成名為“Snowdon”的中間版本。隨後，團隊利用公司自有內容進行預訓練，並藉助領域專家進行後訓練，同時在內部工具環境中實施智慧體強化學習。據透露，目前用於訓練的內容尚不足公司可用內容的10%。

在效能測試中，Thomson的表現呈現分化態勢。在斯坦福大學LegalBench基準上，Thomson得分0.823，落後於Gemini 3.1 Pro和GPT-5.5；在Harvey法律智慧體基準上，略遜於Opus 4.8。不過，它在指令遵循和PrBench Legal等測試中領先。值得注意的是，當模型能夠訪問公司自有內容（如Westlaw）時，其事實準確性達到0.83，超越GPT-5.4的0.82；而僅憑網路訪問時，Thomson得分為0.53，低於GPT-5.4的0.65。評估負責人Andrew Bean承認，Thomson在通用能力上“尚未領先”，但強調“利用自有工具進行訓練和實踐帶來了巨大提升”。

湯森路透技術長Joel Hron將自研模型與租用第三方模型比作“買房與租房”：自研意味著長期積累“權益”，而第三方模型的價值會隨使用消散。公司認為，自研而非微調前沿模型的原因有三：一是標準微調技術易損害通用能力，且受制於供應商的推理成本與路線圖；二是效能提升的關鍵在於接入自有資料，公司不願將這一優勢拱手讓人；三是複合效應——每次產品更新中的專家評審都會成為訓練資料，形成持續積累。

首批應用場景是CoCounsel Legal中的表格分析功能，該功能對成本敏感，小型自研模型更具經濟性。產品仍保持多模型架構，管理員可切換。公司強調，客戶資料不會用於訓練。此外，一個小型版本將以非商業許可的形式釋出到Hugging Face，並附帶技術報告和開發者門戶。

這一案例表明，對於擁有獨家資料、領域專家團隊和可量化質量評估流程的企業，自研垂直模型可能是一條可行路徑。Hron認為，AI領域的下一個競爭優勢“將來自知道如何編排智慧，以及知道哪種智慧值得擁有”。不過，對於缺乏專有資料或大規模評估能力的企業，自研模型可能只是徒增維護成本。