汤森路透训练了自己的AI模型，却仍在使用Anthropic的模型。
内容提要
汤森路透开发自有AI模型Thomson，基于开源基础，投入约4000万美元，利用其法律、税务等专有数据训练，而非从零构建。该模型旨在提升专业准确性，减少幻觉，并已用于CoCounsel Legal的表格分析功能。公司强调结合检索验证，确保答案可追溯，但承认无法保证完全无误。此策略展示了企业选择性拥有AI堆栈层的可能性。
延伸解读
混合策略：自研与租用并行
汤森路透并未完全放弃前沿模型，而是在产品中同时使用自研Thomson和Anthropic的Claude。这种混合策略表明，企业可以根据任务需求选择最合适的模型：对于需要专业数据训练的特定功能（如表格分析），使用自研模型；对于其他任务，则继续依赖外部模型。这反映了AI应用中的一种务实趋势，即不追求全面自研，而是有选择地拥有AI堆栈的某些层。
专业数据与领域微调的价值
Thomson模型的开发基于开源基础，投入约4000万美元进行训练，重点是利用汤森路透数十年积累的专有内容（如Westlaw、Practical Law）进行进一步训练，而非从零预训练。这种方法使得模型在专业领域（如法律、税务）的准确性上更具优势，同时减少了幻觉现象。对于拥有大量专有数据的企业而言，这是一种成本效益较高的选择，无需花费数十亿美元自建基础模型。
不确定性处理与可追溯性
Thomson模型被特别训练为在不确定时主动标记，而不是强行给出自信的答案，以减少幻觉和谄媚行为。此外，模型结合检索机制，将回答锚定在可查证的专业来源上，但公司承认并非所有输出都能逐行追溯。这种设计强调了在专业工作中，AI的可靠性和可验证性比迎合用户更重要，但最终仍需专业人士进行核实。
Q&A
汤森路透为什么开发自己的AI模型Thomson？
汤森路透开发自有AI模型Thomson，是为了在法律、税务和合规等专业领域获得更高的准确性和可控性，减少幻觉，并利用其专有数据（如Westlaw、Practical Law等）进行训练，以提升专业工作的质量。
Thomson模型是如何训练的？
Thomson模型并非从零开始构建，而是基于现有的开源基础模型，投入约4000万美元，使用汤森路透数十年积累的专有内容（如Westlaw、Practical Law、Checkpoint和Reuters）进行进一步训练，并邀请了数百名领域专家参与评估和反馈。
Thomson模型与Anthropic的模型在汤森路透产品中如何分工？
汤森路透的CoCounsel Legal产品基于Anthropic的Claude Agent SDK构建，而Thomson模型则用于特定功能，如CoCounsel Legal中的表格分析（Tabular Analysis），该功能可以处理多达10,000个文档并回答100个问题。Thomson模型在这些特定任务中作为默认模型，而Anthropic的模型则用于更广泛的代理功能。
Thomson模型如何减少幻觉并提高准确性？
Thomson模型经过专门训练，能够识别不确定性并主动标记，而不是强行给出听起来自信的答案。此外，它结合了检索机制，可以从Westlaw和Practical Law等权威来源获取信息，确保回答有据可查，从而减少幻觉和错误。
Thomson模型在基准测试中的表现如何？
根据汤森路透发布的对比，Thomson模型在七个报告类别中的三个类别中表现优于Gemini 3.1 Pro、Claude Opus 4.8和GPT-5.5，包括PRBench Legal Hard、指令遵循综合和长上下文。但在其他类别中，如Stanford LegalBench和推理综合，Gemini 3.1 Pro得分更高；Claude Opus 4.8在Harvey Legal Agent Benchmark和编码方面领先。
汤森路透如何确保Thomson模型的输出可追溯？
汤森路透表示，Thomson的许多输出可以连接到特定的Westlaw或Practical Law来源，但并非每个输出都能逐行追溯到确切的法规或裁决。公司强调，Thomson的设计使其推理在可能的情况下可检查，最终验证由使用它的专业人士完成。
汤森路透对AI模型的所有权策略是什么？
汤森路透的策略是选择性拥有AI堆栈的某些层。他们利用自己的专有数据和领域专业知识，在内部构建模型（如Thomson），同时在其他地方使用第三方模型（如Anthropic的Claude）。这种策略允许他们在拥有数据优势的领域进行投资，而在其他领域则利用现成的模型。
