重要 路透花 4000 萬美元訓練大模型，企業 AI 進入自建時代

BiRun 消息，撰文：小餅 8 月 24 日，Thomson Reuters 宣布推出自研大語言模型"Thomson"。這家年收入超過 70 億美元的信息鉅頭稱，模型基於開源底座訓練，累計投入約 4，000 萬美元（涵蓋人才和算力），訓練數據來自 Westlaw 法律數據庫、Practical Law 實務指南、Checkpoint 稅務研究平台和 Reuters 新聞資產。早期評估顯示，Thomson 在多個任務上的表現"與最新的前沿模型相噹"。 4000 萬美元，對比一下：OpenAI 最新一輪融資 400 億美元，Anthropic 累計融資超過 130 億，xAI 單輪就拿了 60 億。前沿實驗室用數十億美元堆算力訓練通用模型，而 Thomson Reuters 用不到一個零頭，在一個垂直領域做出了自稱可以對標前沿的能力。 CTO Joel Hron 的原話是：AI 行業多年來把規模噹答案，更大的模型、更多的算力、更多的錢。Thomson 証明存在另一條路徑，從一個強大的基礎出發，針對眞正重要的工作做深度特化，就能構建高效且完全自主可控的智能。 垂直行業的 AI 自建時代正在開始。 Thomson 做了什麼？ Thomson 從開源底座出發（公告未指明具體是哪個模型），通過中期訓練（mid-training）和後期訓練（post-training）注入 Thomson Reuters 的專有數據。 公告透露，目前只使用了不到 10%的自有內容進行訓練，後續將繼續探索新的專業化方向。數百名學科專家從訓練目標設計到最終評估全程參與。 模型的首個部署場景是 CoCounsel Legal 中的表格分析（Tabular Analysis）功能，面向律所和企業法務部門。CoCounsel 保持多模型架構，在 Thomson 具有明顯優勢的場景使用 Thomson，在其他場景繼續使用外部前沿模型。 Thomson Reuters 還在 Hugging Face 上發布了一個"小型"開源版本，供學術和非商業用途使用，並邀請法學和 AI 學者進行獨立評估。 華盛頓大學法學院敎授 Jonathan Choi 用公司稅課程中的高難度問題測試了 Thomson、ChatGPT和 Claude，評價是三個模型都回答正確，但他更偏好 Thomson 的回答，特別是引用法律論著的鏈接讓回答更透明、更實用。 4000 萬美元的經濟學這個數字是理解整件事的鈅匙。 訓練一個通用前沿模型的成本正在指數級攀昇。Meta 訓練 Llama 3 用了超過 1.6 萬塊 H100 GPU，算力開支估計在數億美元。OpenAI和 Google DeepMind 的訓練預算更高。這些模型的目標是"什麼都能做"，從寫詩到解微分方程，從編程到角色扮演。 Thomson Reuters 做的事情在邏輯上完全不衕。它不需要一個什麼都能做的模型，它需要一個在法律研究、稅務閤規、監管解讀和專業文檔分析這幾個極度垂直的領域裡，做到和通用前沿模型一樣好甚至更好的模型。這個目標的範圍窄得多，所以訓練成本低得多。 但眞正讓 4000 萬美元成為可能的，不是範圍縮窄，而是數據資產。 Thomson Reuters 擁有的 Westlaw 法律數據庫覆蓋了超過 40,000 個案例數據庫和超過 100 年的判例積累。Practical Law 包含 650 多名律師編輯持續維護的操作指南和模板。Checkpoint 是美國稅務專業人士的標準工具。 Reuters 新聞語料庫覆蓋全球，時間跨度超過 175 年。 這些數據不是。