TR发布自研大模型Thomson 1.0

汤森路透（Thomson Reuters）近日正式推出自研大语言模型Thomson 1.0，这一动作背后是该公司对法律AI赛道的一次重注。与市面上动辄千亿参数、烧钱无数的通用大模型不同，Thomson 1.0的训练成本仅为4000万美元，且只使用了汤森路透自有法律数据的不到10%。这一成果源于其对剑桥AI初创公司Safe Sign的收购整合，首批应用将落地于CoCounsel Legal产品中的Tabular Analysis功能，面向律所和企业法务部门开放。 这件事之所以值得关注，在于它挑战了AI行业“唯规模论”的既有逻辑。汤森路透CTO Joel Hron直言：“多年来，AI行业把规模当作答案——更大的模型、更多的算力、更多的钱。Thomson证明了另一条路：从强大的基础模型出发，针对专业场景深度定制，就能构建出高度能干、效率更高且完全可控的智能。”从实际效果看，Thomson 1.0在指令遵循和复杂多步专业任务执行上的表现优于其基础模型，在导航密集的领域特定内容时提升更为显著。这意味着，对于法律、税务这类高度依赖专业知识和数据质量的垂直领域，用自有数据训练专用模型，可能比单纯堆砌通用模型的参数更有效。 更深层的意义在于AI主权（AI sovereignty）问题。汤森路透指出，专业人士越来越关注模型如何训练、内部存在哪些行为和偏见、在哪里运行以及隐私如何保护。Thomson 1.0的推出，标志着公司从依赖第三方模型转向直接掌控这些问题的答案。对于中国跨境电商卖家和出海企业而言，这一趋势同样值得留意：当法律、财税等专业服务涉及敏感商业数据时，选择可控的专用模型而非通用大模型，可能成为合规和安全的更优解。汤森路透CEO Steve Hasker表示，早期评估显示Thomson 1.0在多项任务上与最新前沿模型持平，未来还将扩展至法律和税务产品组合，并推出更多主权AI选项。可以预见，随着Kirkland和Harvey等机构相继布局，法律AI领域的“专用模型+自有数据”路线将吸引更多玩家跟进。