重要 路透花 4000 万美元训练大模型，企业 AI 进入自建时代

BiRun 消息，撰文：小饼 8 月 24 日，Thomson Reuters 宣布推出自研大语言模型"Thomson"。这家年收入超过 70 亿美元的信息巨头称，模型基于开源底座训练，累计投入约 4，000 万美元（涵盖人才和算力），训练数据来自 Westlaw 法律数据库、Practical Law 实务指南、Checkpoint 税务研究平台和 Reuters 新闻资产。早期评估显示，Thomson 在多个任务上的表现"与最新的前沿模型相当"。 4000 万美元，对比一下：OpenAI 最新一轮融资 400 亿美元，Anthropic 累计融资超过 130 亿，xAI 单轮就拿了 60 亿。前沿实验室用数十亿美元堆算力训练通用模型，而 Thomson Reuters 用不到一个零头，在一个垂直领域做出了自称可以对标前沿的能力。 CTO Joel Hron 的原话是：AI 行业多年来把规模当答案，更大的模型、更多的算力、更多的钱。Thomson 证明存在另一条路径，从一个强大的基础出发，针对真正重要的工作做深度特化，就能构建高效且完全自主可控的智能。 垂直行业的 AI 自建时代正在开始。 Thomson 做了什么？ Thomson 从开源底座出发（公告未指明具体是哪个模型），通过中期训练（mid-training）和后期训练（post-training）注入 Thomson Reuters 的专有数据。 公告透露，目前只使用了不到 10%的自有内容进行训练，后续将继续探索新的专业化方向。数百名学科专家从训练目标设计到最终评估全程参与。 模型的首个部署场景是 CoCounsel Legal 中的表格分析（Tabular Analysis）功能，面向律所和企业法务部门。CoCounsel 保持多模型架构，在 Thomson 具有明显优势的场景使用 Thomson，在其他场景继续使用外部前沿模型。 Thomson Reuters 还在 Hugging Face 上发布了一个"小型"开源版本，供学术和非商业用途使用，并邀请法学和 AI 学者进行独立评估。 华盛顿大学法学院教授 Jonathan Choi 用公司税课程中的高难度问题测试了 Thomson、ChatGPT和 Claude，评价是三个模型都回答正确，但他更偏好 Thomson 的回答，特别是引用法律论著的链接让回答更透明、更实用。 4000 万美元的经济学这个数字是理解整件事的钥匙。 训练一个通用前沿模型的成本正在指数级攀升。Meta 训练 Llama 3 用了超过 1.6 万块 H100 GPU，算力开支估计在数亿美元。OpenAI和 Google DeepMind 的训练预算更高。这些模型的目标是"什么都能做"，从写诗到解微分方程，从编程到角色扮演。 Thomson Reuters 做的事情在逻辑上完全不同。它不需要一个什么都能做的模型，它需要一个在法律研究、税务合规、监管解读和专业文档分析这几个极度垂直的领域里，做到和通用前沿模型一样好甚至更好的模型。这个目标的范围窄得多，所以训练成本低得多。 但真正让 4000 万美元成为可能的，不是范围缩窄，而是数据资产。 Thomson Reuters 拥有的 Westlaw 法律数据库覆盖了超过 40,000 个案例数据库和超过 100 年的判例积累。Practical Law 包含 650 多名律师编辑持续维护的操作指南和模板。Checkpoint 是美国税务专业人士的标准工具。 Reuters 新闻语料库覆盖全球，时间跨度超过 175 年。 这些数据不是。